全局上下文增强的自适应稀疏卷积网络用于无人机图像上更快速的目标检测——代码运行

先决条件

• Linux or macOS (Windows is in experimental support)
• Python 3.6+
• PyTorch 1.3+
• CUDA 9.2+(If you build PyTorch from source, CUDA 9.0 is also compatible)
• GCC 5+
• MMCV
  兼容的 MMDetection 和 MMCV 版本如下所示。请安装正确版本的 MMCV，以避免安装问题。
  

CUDA版本及显卡驱动信息

我安装的版本是CUDA 11.3，驱动信息和CUDA版本如下：

安装步骤

conda create -n openmmlab python==3.8
conda activate openmmlab
conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=11.3 -c pytorch
pip install openmim
mim install mmcv-full==1.5.1
//后面需要在CEASC目录下执行
pip install -r requirements/build.txt
pip install -v -e .
pip install nltk
pip install -r requirements/albu.txt
cd ./Sparse_conv
python setup.py install
cd ..

至此环境安装全部结束

使用

1.数据集下载

可以从官方链接或 UFPMP-Det 等其他存储库下载 VisDrone 和 UAVDT 数据集（COCO 格式）。

2.训练

% training on a single GPU
python tools/train.py /path/to/config-file --work-dir /path/to/work-dir

% training on multi GPUs
bash tools/dist_train.sh /path/to/config-file num-gpus --work-dir /path/to/work-dir

这是我训练GFL v1 基线的命令，可以参考一下：

python tools/train.py configs/UAV/baseline_gfl_res18_visdrone.py --work-dir path/to/work-dir
// 这里的/path/to/work-dir是训练后存储训练结果的路径

注意代码中路径要和数据集路径对应上

3.测试

python tools/test.py /path/to/config-file /path/to/work-dir/latest.pth --eval bbox

这是我测试GFL v1 基线的命令，可以参考一下：

python tools/test.py configs/UAV/baseline_gfl_res18_visdrone.py /path/to/work-dir/latest.pth --eval bbox
// 这里的/path/to/work-dir是训练后存储训练结果的路径

可能出现的错误

在mmdetection上训练报错

错误1:

TypeError: FormatCode() got an unexpected keyword argument 'verify'

原因是：yapf版本过高，目前版本为 0.40.2，只需要重装低版本的yapf就行

pip uninstall yapf
pip install yapf==0.40.1

错误2：

原因是：albumentations版本过高，目前版本为 1.4.6，只需要重装低版本的yapf就行

pip uninstall yapf
pip install yapf==1.3.0   //我重装的这个版本，可以跑起来

结论

github上给的步骤可能我没能太好的理解，导致出现了很多错误，这个是我自己配置的步骤，有不对的地方希望大佬可以指出来。