DINO-DETR 实验与分析

前言

自DETR提出之后，不计其数的DETR改进模型不断被提出，尽管如此，基于Transformer模型的速度与精度却一直被人诟病。今天学习的这个DETR的改进模型，号称SOTA模型，这便是大名鼎鼎的DINO-DETR模型。
该模型声称在COCO数据上测试的mAP值达到了0.63，可谓是不同凡响。

实验过程

博主也做了相关的实验，论文中提到DINO-DETR模型收敛极快，这个的确显而易见，考虑到COCO数据集太大，所以博主提取了bus,car,truck三个类别数据进行实验，其在训练过程中，在第一个epoch时效果还并不好，而第二个epoch时竟然mAP达到了0.26，这属实让我大为震惊，正当我以为其能够继续高歌猛进，达到其论文中的效果时，其最终的结果却让我有些失望，其最终的mAP值仅为0.28，而论文中指出其在12个epoch时便能达到0.49，在24个epoch时能到达0.52，这与我现在的结果差距属实巨大：

训练结果

使用预训练模型

博主的实验结果：本次实验中使用了官方提供的预训练模型进行微调实验。

epochs=24,batch-size=2

未使用预训练模型

作者在论文这指出，在仅使用resnet预训练模型的情况下，训练12epoch，模型的AP值可以达到0.49，在训练24epoch时，AP值达到50.4，因此博主打算验证这一结论，由于本次分配的服务器的显存小了几十M，导致自己的batch-size只能调整为1，设置epoch=24，进行实验：可以看到最终的AP值为0.25，而在12epoch时为0.23。

随后在同学的提示下，意识到在修改了batch-size的情况下，lr也要进行相应的调整，故

考虑到自己的数据集在经过提取后其数量已经急剧下降，效果差些也就情有可原，但目前两者毕竟差距太过巨大。因此便打算使用完整数据集进行实验。但让我想不通的是，博主的数据集并非是直接减少，而是按照不同类别进行提取，对于某个类别而言，其不该有如此大的差距。

验证结果

因此便想到使用论文中给出的已经训练好的模型文件进行验证：
在验证的过程中，博主也发现，先前的loss值最多只能下降到6.2便不再下降，而在使用论文中提供的权重文件时，其可以下降到3.1左右，这倒是令我感到意外。
最终通过验证集最后的结果为：可以看到的确如论文中所言，其达到了0.49。

原因分析

数据集标注问题

目前来看，关于实验结果差距大的问题可能原因为：
1.博主的类别提取方法有问题，提取的数据集有问题（太可怕了）

关于该问题，博主考虑到可以将COCO数据集中的标注信息打印到图片上进行验证：提取代码如下：

import json
import shutil
import cv2

def select(json_path, outpath, image_path):
    json_file = open(json_path)
    infos = json.load(json_file)
    images = infos["images"]
    annos = infos["annotations"]
    assert len(images) == len(images)
    for i in range(len(images)):
        im_id = images[i]["id"]
        im_path = image_path + "/" + images[i]["file_name"]
        img = cv2.imread(im_path)
        for j in range(len(annos)):
            if annos[j]["image_id"] == im_id:
                x, y, w, h = annos[j]["bbox"]
                x, y, w, h = int(x), int(y), int(w), int(h)
                x2, y2 = x + w, y + h
                # object_name = annos[j][""]
                img = cv2.rectangle(img, (x, y), (x2, y2), (255, 0, 0), thickness=2)
                img_name = outpath + "/" + images[i]["file_name"]
                cv2.imwrite(img_name, img)
                # continue
        print(i)

if __name__ == "__main__":
    json_path = "/data/datasets/coco_type/annotations/instances_val2017.json"#放标注json的地址
    out_path = "/data/datasets/coco_type/results"#结果放的地址
    image_path = "/data/datasets/coco_type/images/val2017/"#原图的地址
    select(json_path, out_path, image_path)

输出结果：



从上面的标注结果来看，其标注的信息还是较为准确的。

数据集数量问题

2.按照目前对Transformer的研究来看，其效果一般在数据量及其庞大的情况下越好，因此博主虽然是按照类别进行提取了，但不可否认的是数据集数量大大缩水，所以导致了实验效果差。

验证时GPU使用情况

小插曲

在进行实验时，由于博主才COCO数据集中提取了3个类别（car,bus,truck），因此在配置文件中也要进行修改，其中num_classes为数据集中目标类别数量，博主将其设置为3时，出现报错：

cuda error:device-side assert triggered

起初，博主以为是cuda环境出现了问题，但转念一想在先前的实验中并未出现问题，随后在查阅了相关资料后，看到有人提到可能是数据集标签类别的问题，随后想到DETR类模型除了原始类别外还需要加一个背景类，所以此处的num_classes应为4，随后将其改为4后，成功运行。

结语

本实验主要为复现DINO在COCO数据集上的实验结果，考虑到原始COCO数据集数据量庞大，训练时间长等问题，故从中提取了3个类别的样本进行实验，分别验证了不使用预训练模型与使用预训练模型时DINO在新建数据集上的性能。

关于当前实验结果分析与改进，博主还在进行中，如果大家有自己的观点，望不吝赐教。感谢！