coming soon or by contacting with me
-
使用两阶段检测框架，保证精度要求；
-
使用FPN，增强小目标的检测效果；
-
使用Mixup、旋转等无损的数据增强技术，减轻网络过拟合，并提升模型泛化能力；
-
使用多尺度训练与预测，适应图片分辨率差异，可以让参与训练的目标大小分布更加均衡，使模型对目标大小具有一定的鲁棒性；
-
参考ResNet论文，使用Global Context ROI为每个候选框添加上下文信息，充分利用数据分布特点，提升了检测精度。
| Backbone | DCN | MS | Mixup | RandomRotate90° | GC | mAP |
|---|---|---|---|---|---|---|
| ResNet50-FPN | baseline | |||||
| ResNeXt101-FPN | ✓ | ✓ | baseline+3.35% | |||
| ResNeXt101-FPN | ✓ | ✓ | ✓ | baseline+4.25% | ||
| ResNeXt101-FPN | ✓ | ✓ | ✓ | baseline+4.36% | ||
| ResNeXt101-FPN | ✓ | ✓ | ✓ | ✓ | baseline+4.69% |
- 操作系统：Ubuntu 18.04.2
- GPU：2080Ti * 4
- Python：Python 3.6.8
- NVIDIA依赖：
- CUDA：V10.0.130
- CUDNN：7.4.1
- NVIDIA驱动版本：410.73
- 深度学习框架：PyTorch1.1.0
- conda create -n 自拟环境名称 python=3.7 -y
- conda install pytorch=1.1.0 torchvision=0.3.0 cudatoolkit=10.0
- pip install cython && pip install -r requirements.txt
- conda install pillow=6.1
- pip install tqdm
- pip install pytest-runner -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
- python setup.py develop
- 下载mmdetection官方开源的htc的resnext 64×4d 预训练模型
- 百度网盘下载地址：链接:https://pan.baidu.com/s/1r3uQVpOLKfjF8vfLEYPMgg 密码:811m
-
训练
-
运行：
x101_64x4d (htc pretrained):
chmod +x tools/dist_train.sh
./tools/dist_train.sh configs/underwater/cas_x101/cascade_rcnn_x101_64x4d_fpn_dcn_1x.py 4
(上面的4是我的gpu数量，请自行修改)
-
训练过程文件及最终权重文件均保存在config文件中指定的work_dirs目录中
-
-
预测
-
运行:
x101_64x4d (htc pretrained):
chmod +x tools/dist_test.sh
./tools/dist_test.sh configs/underwater/cas_x101/cascade_rcnn_x101_64x4d_fpn_dcn_1x.py work_dirs/cas_x101_64x4d_fpn_htc_dconv_1x/latest.pth 4 --json_out results/cas_x101.json
(上面的4是我的gpu数量，请自行修改)
-
预测结果文件会保存在 /results 目录下
-
转化mmd预测结果为提交csv格式文件：
python tools/post_process/json2submit.py --test_json cas_x101.bbox.json --submit_file cas_x101.csv
最终符合官方要求格式的提交文件 cas_x101.csv 位于 submit目录下
-
author: hk
qq：3025531252
email: [email protected]