DETR复现：基于transformers的目标检测

代码链接 GitHub - facebookresearch/detr: End-to-End Object Detection with Transformers

论文链接https://arxiv.org/abs/2005.12872

使用GPU复现。关于如何配置GPU，看文章CUDA和CUDNN安装教程

1.环境配置（利用anaconda)

打开Anaconda Prompt 创建并激活环境detr-main,这里要用到的只有创建与激活

conda create -n 环境名     #创建
conda activate 环境名      #激活进入环境
conda deactivate          #退出环境

输入安装

conda install -c pytorch pytorch torchvision
conda install cython scipy
pip install git+https://github.com/cocodataset/panopticapi.git
#最后一条没有安装git要先conda install git

2.准备数据

数据集下载网站：http://cocodataset.org.

有时候网站不好用，网站下载速度较慢，可以选择百度网盘下载，一搜就能搜到。

3.下载预训练权重文件，生成pth文件

链接：https://dl.fbaipublicfiles.com/detr/detr-r50-e632da11.pth 

新建py文件，mydataset.py，使用如下代码，修改num_classes为自己的类别数+1

import torch
pretrained_weights  = torch.load('detr-r50-e632da11.pth')

#NWPU数据集，10类
num_class = 11    #类别数+1，1为背景
pretrained_weights["model"]["class_embed.weight"].resize_(num_class+1, 256)
pretrained_weights["model"]["class_embed.bias"].resize_(num_class+1)
torch.save(pretrained_weights, "detr-r50_%d.pth"%num_class)

生成pth文件 detr-r50-e632da11.pth

4.指定数据路径

指定pth文件

5.参数修改

修改models/detr.py文件，build()函数中，可以将红框部分的代码都注释掉，直接设置num_classes为自己的类别数+1

6.修改参数，进行训练

main.py 修改参数并运行

参考

项目复现 | DETR：利用transformers端到端的目标检测_detr源码fuxian-CSDN博客

【DETR】训练自己的数据集-实践笔记_detr训练量-CSDN博客