算法环境配置1_YOLOX_OBB

一、环境配置

前言

因为需要安装Bboxtoolkit需要编译的cuda版本为11.0，如果你本机的显卡只支持高版本的cuda,没法降低cuda版本，这种情况下，建议使用anaconda 创建的虚拟环境，在创建虚拟环境的时候可以指定python版本，在虚拟环境里可以指定安装对应的cuda版本。

1.创建虚拟环境

conda create -n py37_YOLOX_OBB python=3.7 

2.激活虚拟环境

source activate py37_YOLOX_OBB

3.安装cuda,torch,torchvision,toraudio

我的环境conda 安装后，导入torch会报错，所以我使用的是pip安装

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch

我自己是pip 安装的

pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

4.检查是否安装OK

import torch
print(torch.cuda.is_available())#打印cuda是否可用
print(torch.cuda.device_count())#打印可用的GPU数量
print(torch.version.cuda)#查看虚拟环境cuda版本

5.安装相关依赖

cd YOLOX_OBB
pip3 install -U pip #升级pip 是为了后面安装依赖库的顺利
pip3 install -r requirements.txt #安装依赖库
pip3 install -v -e. 

6.安装数据处理工具包

(PS：这个工具在上面git clone --recursive中作为子模块导入了)

cd BboxToolkit
python setup.py develop

二、数据标注和转换

1.使用rolabelImg标注斜框数据

rolabelImg的安装软件包,可以参考资源rolabelImg安装软件包
rolabelImg的安装教程参考：rolabelImg安装教程

2.数据准备

按照下面的格式组织文件
(可以直接执行python ./datasets/make_dir.py生成img20220920以及子文件夹)

test：存放测试集文件
trainval_images：存放原图片
trainval_xmlFiles：存放rolabelImg标注生成的xml文件

trainval_DotaTxt：存放rolabelImg格式文件转换成的Dota格式的文件

train_images和val_images：分别存放训练和验证的原图片文件
train_labelTxt和val_labelTxt：分别存放训练和验证的Dota格式文件

3.rolabelImg格式转dota格式

修改YOLOX_OBB/datasets/rolabelImg2dota.py下面代码后，在主文件夹下执行python ./datasets/rolabelImg2dota.py
xml_path:rolabelImg标注后生成的标注文件所在文件夹
target_dir:转换后的dota格式数据存放文件夹

4.划分训练集和验证集

YOLOX_OBB 下执行 python ./datasets/train_val_split.py,可以打乱数据，然后自动拷贝图片和标注文件到
train_images和val_images：分别存放训练和验证的原图片文件
train_labelTxt和val_labelTxt：分别存放训练和验证的Dota格式文件
自己可以修改数据划分比例，默认train:val=9:1

5.dota格式 转 BboxToolkit格式

(1)在BboxToolkit中，导入自己数据的类别名称

cd BboxToolkit/BboxToolkit/datasets
打开 misc.py

(2)修改配置文件

cd BboxToolkit/tools/split_configs && cp -a dota1_0 mydata
cd mydata (根据自己需要改相关配置，我们这里修改ss_train.json, ss代表单尺度，ms代表多尺度)
vim ss_train.json/ss_val.json

修改ss_train.json

修改ss_val.json

img_dirs是dota格式的图片文件夹
ann_dirs是dota格式标注文件夹，
save_dir是BboxToolkit生成的数据集的文件夹。
sizes为切图后图片大小，如果图片不需要切图，将sizes设置为自己数据大小max(w,h)
gaps为切图时图片的之间，如果你的图片不需要切图，设置为0.
gaps示意图如下：

在主文件夹下执行bash my_exps/split_img.sh

将config_train与config_val改为自己相应文件路径
会在dataset/My_classes下生成如下文件夹，
dataset/My_classes/train存放我们训练集的数据
dataset/My_classes/val 存放我们验证集的数据

之后把生成的train，val，test都放进都My_classes文件夹里，最终文件夹结构如下

├── test
│   ├── annfiles
│   │   ├── ori_annfile.pkl
│   │   ├── patch_annfile.pkl
│   │   └── split_config.json
│   └── images
│       ├── 1_0000.png
│       ├── 1_0001.png
│       ├── 2_0000.png
│       └── 2_0001.png
|        ...
├── train
│   ├── annfiles
│   │   ├── ori_annfile.pkl
│   │   ├── patch_annfile.pkl
│   │   └── split_config.json
│   └── images
│       ├── 3_0000.png
│       ├── 3_0001.png
│       ├── 4_0000.png
│       └── 4_0001.png
|        ...
└── val
    ├── annfiles
    │   ├── ori_annfile.pkl
    │   ├── patch_annfile.pkl
    │   └── split_config.json
    └── images
        ├── 5_0000.png
        ├── 5_0001.png
        ├── 6_0000.png
        └── 6_0001.png
          ...

三、训练验证

1.训练

(1).修改配置文件My_classes.yaml

cd configs/datasets && cp dota10.yaml My_classes.yaml(自己数据集)
vim  My_classes.yaml

data_dir：我们上一步生成的数据
num_classes：分类的类别数
class_names：识别的类别名称

(2).修改 yolox_s_My_classes.py

添加刚才配置路径，OK，配置工作完成（另外上图中有一个aug_ignore选项，这是用来忽略那些水平标注的旋转增强，里面是类别的名称，如果你也有目标是水平标注的，你可以把里面的类别变为水平标注的类别，如果没有就删掉）

cd exps/example/yolox_obb && cp -a yolox_s_dota1_0.py yolox_s_My_classes.py
vim yolox_s_My_classes.py

(3).在tool/train.py 中修改训练参数

修改相关配置文件，batch_size等参数，后再YOLOX_OBB 目录下执行

bash my_exps/train.sh

2.预测

bash my_exps/demo.sh

四、部署

五、