Open-GroundingDino和GroundingDino的推理流程实现

1、简单介绍

GroundingDino是一个多模态检测模型，可以输入文本提示输出视觉目标的位置，实现了文本和图像的匹配。相比较于一众的OVD算法，GroundingDino在文本处理上的灵活度高，因为大多OVD算法是采用clip文本编码器，这个编码器对文本的处理有限，只能是某些单词，一些特殊的名称在clip的预训练模型中没有对应的文本向量。而GroundingDino及部分采用 bert 的模型，可以处理单词、短语和句子等文本，在数据集迁移上更加友好。

Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection，这是GroundingDino的论文标题，大概意思是 把DINO和文本预训练模型结合用于开集目标检测。

官方的GroundingDino只开源了推理的代码，没有给出训练代码，数据集格式也未知，而Open-GroundingDino是作为GroundingDino的第三方实现训练的开源代码，所以关注GroundingDino的工作是否适合迁移到个人数据集中。
GroundingDino的论文地址：https://arxiv.org/pdf/2303.05499.pdf
GroundingDino的Github网址：https://github.com/IDEA-Research/GroundingDINO
Open-GroundingDino的Github网址：https://github.com/longzw1997/Open-GroundingDino

文本提示的预测功能：

2、推理实现

我是首先想跑通Open-GroundingDino，因为Open-GroundingDino给出了训练代码，同时给出了数据集格式，如果可以跑通非常适合进行迁移。于是我安装了相关环境进行测试。

基本的环境安装跟着requirements.txt走基本上就够了，后面是编译 GroundingDino，给出的操作方法是：

pip install -r requirements.txt 

cd models/GroundingDINO/ops

python setup.py build install

python test.py

cd ../../..

跑 test.py 我的也正常执行完了

但是后面准备跑推理代码的时候：

python tools/inference_on_a_image.py \
  -c tools/GroundingDINO_SwinT_OGC.py \
  -p path/to/your/ckpt.pth \
  -i ./figs/dog.jpeg \
  -t "dog" \
  -o output

结果报错了，说找不到 grounddino这个模块，我看代码目录里有这个文件夹，以为只要修改进行引用就行，结果修改后仍然不行。后面是卡在了 模型加载的地方：

load_res = model.load_state_dict()

出现报错：

AttributeError：tuple object has no attribute load_state_dict

显然模型加载出现了问题，而且很不好解决。

于是我想到 Open-GroundingDino的推理代码应该和 GroundingDino应该差不多，因为Open-GroundingDino是一个第三方实现，是基于原版来匹配的。于是我尝试跑GroundingDino的推理代码。

我把代码下载之后，按照要求进行操作：

git clone https://github.com/IDEA-Research/GroundingDINO.git

cd GroundingDINO/

pip install -e .

mkdir weights
cd weights
wget -q https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth
cd ..

操作之后环境里编译生成了一个groundingdino库，显然这个才是正确的要调的库。我随后开始测试，执行命令：

CUDA_VISIBLE_DEVICES={GPU ID} python demo/inference_on_a_image.py \
-c groundingdino/config/GroundingDINO_SwinT_OGC.py \
-p weights/groundingdino_swint_ogc.pth \
-i image_you_want_to_detect.jpg \
-o "dir you want to save the output" \
-t "chair"
 [--cpu-only] # open it for cpu mode

结果，却没结果。代码正常跑完了，但是打开保存的预测结果，发现还是原图，并没有加上预测的框。我想肯定是输入的文本提示有问题，导致无法解析要检测的类别。

其实，在执行命令之前，我已经在 GroundingDINO_SwinT_OGC.py 把 text_encoder_type = "bert-base-uncased"改成 text_encoder_type = "./local/xx/bert-base-uncased" ,因为之前跑过类似的，我就把本地bert文本编码的模型路径加进去了，所以推理代码可以正常执行完毕，但是却没有输出结果。

我不太熟悉 GroundingDINO需要加载bert的文件位置，所以我之间搜索 bert-base-uncased 和 text_encoder_type 找出如下位置处代码 ：

我分别把里面的两个 text_encoder_type 换成 本地的bert-base-cased 的路径，再进行测试，进入结果文件夹，打开图片查看，发现上面就画了提示的目标，如下图所示。

如上就完成了 Open-GroundingDino和GroundingDino的推理流程实现

相关问题解决也可以具体看官方GitHub：https://github.com/IDEA-Research/GroundingDINO/issues/218