MMRotate安装

环境安装

1. 创建环境：

conda create -n open-mmlab python=3.8 pytorch==1.8.0 cudatoolkit=10.2 torchvision -c pytorch -y

2. 进入环境：

conda activate open-mmlab

3. 安装mmcv-full：进入网址：https://download.openmmlab.com/mmcv/dist/cu102/torch1.8.0/index.html

选择1.6.0的win版本，选择相应的python，CUDA版本，下载后 cd 到路径后安装

pip install mmcv_full-1.6.0-cp38-cp38m-win_amd64.whl

注：没有安装OpenCV会自动先安装，会报警告，等一会，自动安装OpenCV就可以了
没有安装则，手动安装OpenCV：conda install opencv

4. 安装mmset：

pip install openmim
mim install mmdet

注：此处如果报一些pycocotools的错误，可能是没有安装VS Code，没有C++编译器。直接打开镜像，安装即可。

链接：https://pan.baidu.com/s/1PHymKy5YrXE2OSxPplbSQA
提取码：ggdr

5. 进入下载好的整个工程 mmrotate：

cd mmrotate

6. 安装需要的版本库：（注意：-e 后面有点）

pip install -r requirements/build.txt
pip install -v -e .

7. 再把需要的库安装一下：

pip install -r requirements.txt

8. 验证安装

 python demo/image_demo.py demo/demo.jpg oriented_rcnn_r50_fpn_1x_dota_le90.py oriented_rcnn_r50_fpn_1x_dota_le90-6d2b2ce0.pth --out-file result.jpg

• 使用python打开image_demo.py 传入demo.jpg待检测图片
• oriented_rcnn_r50_fpn_1x_dota_le90.py是使用的config模
• oriented_rcnn_r50_fpn_1x_dota_le90-6d2b2ce0.pth是训练好的模型
• result.jpg是输出路径

开了代理无法下载问题

# pip list
matplotlib          3.6.1
mmcv-full           1.6.0
mmdet               2.25.2
mmrotate            0.3.2      
more-itertools      9.0.0
numpy               1.23.1
opencv-python       4.6.0.66
path                16.5.0
pip                 22.2.2
py                  1.11.0
PyYAML              6.0
requests            2.28.1
torch               1.8.0
torchvision         0.9.0
wheel               0.37.1

标注工具安装与使用（RoLabelimg）

1. 下载源码：https://github.com/cgvict/roLabelImg
2. 重新创建一个环境：conda create -n Rolabelimg python=3.6
3. 进入环境：conda activate Rolabelimg
4. 安装pyqt5：pip install pyqt5
5. 安装lxml：pip install lxml
6. 安装rolabelimg（需要先进入源码的根路径）：pyrcc5 -o resources.py resources.qrc
7. 执行程序：python labelImg.py
   

为了提高模型的精确度、召回率、MAP等：

1. 首先模型需要一个庞大的数据集支撑（这很重要），每个类别的图像都要大于1000张，且最好在不同背景下都有涉及，不然模型的泛化力会很弱，无法预测更换环境后的同一物体
2. 其次标签制作一定要细心，并且一定要是一张图像中的全部标签，漏选或者选错标签都会对模型造成较大的影响
3. 对于数据集较少的训练模型，batch_size设的小一点会更好，此时模型对于多张图片的整体分析来减少训练时间（本来就很少了）已经不再重要，模型更应该注重每张图片的特征，本人只制作总体不到100份数据集，于是乎batch_size就变成了1，事实证明模型的训练效果会变好