复现 S2ANet RTX 2080Ti

吃肉不能购

已于 2022-05-08 09:42:13 修改

阅读量2.2k

点赞数 3

分类专栏：复现论文文章标签： linux python 深度学习目标检测

于 2022-04-09 20:19:11 首次发布

本文链接：https://blog.csdn.net/weixin_44298961/article/details/124057232

版权

复现论文专栏收录该内容

10 篇文章 3 订阅

订阅专栏

0.租服务器GPU

1.INSTALL.MD

conda create -n s2anet python=3.7 -y
source activate s2anet
conda install pytorch=1.3 torchvision cudatoolkit=10.1 -c pytorch
git clone https://github.com/csuhan/s2anet.git
cd s2anet
pip install -r requirements.txt

python setup.py develop

安装requirements.txt卡住了，可能是pytorch版本太低的原因。下午手动装的。

conda install swig
cd DOTA_devkit/polyiou
swig -c++ -python csrc/polyiou.i
python setup.py build_ext --inplace

2.准备数据集

然后准备数据集，
在/root/s2anet/data/HRSC2016
吃饭

3.测试test.py

回来测试，建文件夹work_dirs，放进去他预训练的模型
2022年4月9日18点42分
回来改路径和学习率

data = dict(
    imgs_per_gpu=2,
    workers_per_gpu=2,
    train=dict(
        type=dataset_type,
        ann_file=data_root + 'ImageSets/train.txt',
        img_prefix=data_root + 'Train/',
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'ImageSets/test.txt',
        img_prefix=data_root + 'Test/',
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'ImageSets/test.txt',
        img_prefix=data_root + 'Test/',
        pipeline=test_pipeline))
evaluation = dict(
    gt_dir='data/HRSC2016/Test/Annotations/',
    imagesetfile='data/HRSC2016/ImageSets/test.txt')


lr=0.0025

好的，可以测试了。

python tools/test.py configs/hrsc2016/s2anet_r101_fpn_3x_hrsc2016.py work_dirs/s2anet_r101_fpn_3x_hrsc2016_converted-4a4548e1.pth --out work_dirs/res.pkl --data hrsc2016

他应该是在测试的时候直接显示精度了

(s2anet) root@container-da72119aac-dde8cdf7:~/s2anet# python tools/test.py configs/hrsc2016/s2anet_r101_fpn_3x_hrsc2016.py work_dirs/s2anet_r101_fpn_3x_hrsc2016_converted-4a4548e1.pth --out work_dirs/res.pkl --data hrsc2016
[>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>] 444/444, 18.2 task/s, elapsed: 24s, ETA:     0s
writing results to work_dirs/res.pkl
Saving results to work_dirs/results_txt
ship.txt
check fp: [0. 0. 0. ... 1. 1. 1.]
check tp [1. 1. 1. ... 0. 0. 0.]
npos num: 1188
ship :  0.8999578141958532
map: 0.8999578141958532
classaps:  [89.99578142]

3.1 inference/predict 推理/预测

我是用的hrsc2016的图片测试的，所以要修改demo_inference.py中最后一行，把dota那个参数删掉。（其实可以替换成hrsc那个参数，但是我不会）。

save_det_result(args.config_file, args.out_dir, checkpoint_file=args.model, img_dir=args.img_dir)。

python demo/demo_inference.py configs/hrsc2016/s2anet_r101_fpn_3x_hrsc2016.py work_dirs/s2anet_r101_fpn_3x_hrsc2016/epoch_36.pth byhand/pic/ byhand/

贴上两张图片对比，oh我还修改边框厚度thickness=10.
在这里插入图片描述

在这里插入图片描述

4.训练train.py

python tools/train.py configs/hrsc2016/s2anet_r101_fpn_3x_hrsc2016.py

eta显示剩余50分钟左右。
挂起来跑‘

nohup python tools/train.py configs/hrsc2016/s2anet_r101_fpn_3x_hrsc2016.py >xcbtrain1920.log 2>&1 &

内存剩余很多，改改config文件

我是RTX 2080Ti，显卡是12GB内存，这样改就占用6GB左右，别的我也不会调了。
  line117
  line118
    imgs_per_gpu=4, # 每个gpu计算的图像数量
    workers_per_gpu=2,    # 每个gpu分配的线程数

5.结果对比

自己训练的结果，40mins完成了，测试一下

(s2anet) root@container-da72119aac-dde8cdf7:~/s2anet# python tools/test.py configs/hrsc2016/s2anet_r101_fpn_3x_hrsc2016.py work_dirs/s2anet_r101_fpn_3x_hrsc2016/epoch_36.pth --out work_dirs/xcbres.pkl --data hrsc2016
[>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>] 444/444, 18.0 task/s, elapsed: 25s, ETA:     0s
writing results to work_dirs/xcbres.pkl
Saving results to work_dirs/results_txt
ship.txt
check fp: [0. 0. 0. ... 1. 1. 1.]
check tp [1. 1. 1. ... 0. 0. 0.]
npos num: 1188
ship :  0.8954782495977331
map: 0.8954782495977331
classaps:  [89.54782496]