/Skypool_Objection_Detection

Skypool_Objection_Detection

Primary LanguagePython

综述

  • 本模型基于pytorch深度学习框架、mmdetection开源工具搭建而成。
  • 最终模型位于submit文件夹下

关于代码

  • 基于mmdetection开源框架，使用Cascade-rcnn+fpn为模型主体，采用resnet-50提取特征。

  • 在mmdetection官方配置文件cascade_rcnn_r50_fpn_1x.py基础上做如下改进：

    • 在cascade-rcnn提取特征的backbone最后一个阶段加入可变形卷积，提高模型对 scale, aspect ratio and rotation 等映射的泛化能力。

      # 11~12 行：
dcn=dict(modulated=False, deformable_groups=1, fallback_on_stride=False), stage_with_dcn=(False, False, False, True))

    • 根据样本瑕疵尺寸分布，在RPN中修改anchor的长宽比，增强模型对不同大小瑕点的鲁棒能力

       # 24 行：
 anchor_ratios=[0.02, 0.05, 0.1, 0.5, 1.0, 2.0, 10.0, 20.0, 50.0],  #

    • 在rcnn的采样阶段将默认使用的随机采样RandomSampler，替换成OHEM采样，即每个级联层引入在线难样本学习。

      # 110,125,140 行：
type='OHEMSampler'

    • 使用全尺寸图片训练，不缩放，对小目标使网络捕捉更多的像素

       # 169 行
 dict(type='Resize', img_scale=(2446, 1000), keep_ratio=True), #

    • 采用NVIDIA 1080Ti，每张gpu训练两张图片

    • # 192 行
imgs_per_gpu=2

    • 学习率的设置：lr = 0.00125xbatch_size，batch_size = gpu_num（2）x imgs_per_gpu

    • - # 210 行：
- optimizer = dict(type='SGD', lr=0.005, momentum=0.9, weight_decay=0.0001)

代码及数据组织方式

├── code (本组代码贡献)
│   ├── cascade_transform_skypool.py
│   ├── creat_resule.py
│   ├── Fabric2COCO.py
├── data (数据集防止方式)
│   ├── guangdong1_round1_train1_20190818
│   │ ├──*.jpg
│   ├── guangdong1_round1_train2_20190828
│   │ ├──*.jpg
│   ├── guangdong1_round1_testA_20190818
│   │ ├──*.jpg
│   └── skypool_first_trainval（数据处理后生成的coco格式训练集）
├── data_process.sh （数据处理脚本）
├── setup.sh （安装脚本）
└── submit （训练后模型和日志文件输出文件夹）

快速部署指南

  • 依赖：

    • python版本：3.7 及以上
    • pytorch版本：1.0 及以上
    • CUDA版本：10.0 及以上
    • Anaconda3

  • 本代码可以使用shell脚本快速部署，但是需要在执行shell脚本前安装Anaconda3

  • Anaconda3 包管理器就绪后即可按以下流程对代码部署

    1. 添加脚本执行权限：chmod u+x setup.sh
    2. 编辑安装脚本 vim setup.sh，修改21行CUDA_HOME，指定CUDA的位置
    3. 执行安装脚本：source setup.sh
    4. 若第三步使用./setup.sh则需要激活环境：source activate skypool_lmc

  • 代码环境部署完成后，需要对原始数据进行处理，转换为COCO数据集格式，原始数据按上述方式准备

    1. 添加脚本执行权限：chmod u+x data_process.sh
    2. 执行数据处理：./data_process.sh

  • 预训练模型：

    • 下载COCO数据集预训练模型，并放入mmdetection/checkpoints下，预训练模型下载地址：

      • https://s3.ap-northeast-2.amazonaws.com/open-mmlab/mmdetection/models/cascade_rcnn_r50_fpn_1x_20190501-3b6211ab.pth

      • 模型转换：需要将COCO数据集模型转换为当前数据集可用的类型，执行命令：

        python code/model_transform.py

  • 模型训练：

    • 单卡训练：

      python mmdetection/tools/train.py code/cascade_transform_skypool.py --gpus 1 --validate

    • 多卡分布训练：

      # 双卡训练
bash mmdetection/tools/dist_train.sh code/cascade_transform_skypool.py 2

  • 模型测试：

    python mmdetection/tools/test.py code/cascade_transform_skypool.py submit/训练生成的权重 --out results.pkl --eval bbox

  • 结果分析：

    python mmdetection/tools/analyze_logs.py plot_curve submit/train/xxx.log.json --keys loss --legend loss

  • 生成提交结果：

    python code/creat_resule.py --wight-path=submit/train/epoch_62.pth

模型和数据集

  • 数据集可以通过url.txt文件中的连接自行下载
  • 模型请从这里下载