复现 Oriented R-CNN for Object Detection

最新推荐文章于 2024-04-17 09:52:00 发布

CreepingZhong

最新推荐文章于 2024-04-17 09:52:00 发布

阅读量1.3k

点赞数 4

文章标签： cnn 目标检测深度学习

本文链接：https://blog.csdn.net/weixin_58481552/article/details/128773390

版权

一、一些链接

论文：2108.05699v1.pdf (arxiv.org)

github代码地址：https://github.com/jbwang1997/OBBDetection.git

或者使用：https://github.com/open-mmlab/mmrotate.git

我使用的是原作者的代码进行的复现(即上方第二个链接)，目前 OrientedRCNN已经添加到mmrotate中了，所以也可以使用mmrotate中的模型进行复现(即上方第三个链接)。

二、新建环境

首先一定是linux，windows嘛，自己体会。

我是在恒源云平台上租用的gpu，恒源云平台上的镜像比较丰富并且价格实惠，对学生党很友好，这里贴一个恒源云平台的链接：

恒源云_GPUSHARE-恒源智享云https://gpushare.com/center/console选择镜像：python3.8+pytorch1.7.0+cu110

这里镜像的选择需要尤为注意，因为后面需要安装作者写的两个包(一个是BboxToolkit，一个是作者修改过的mmdet)，这两个包对python和pytorch的版本都有些要求。

建议python版本>=3.8，原因如下：

这是我在安装BboxToolkit时报的错，当时选用的python版本为3.6

以及建议pytorch版本不要太高，原因如下：

这是我在安装mmdet时报的错，当时选用的pytorch版本为1.11，安装时运行到这一步会卡住，后面会报错。

三、安装包

首先从github上clone下来作者的代码：

git clone https://github.com/jbwang1997/OBBDetection.git --recursive

该项目中文件数量很多，所以需要耐心等待一段时间

有一定的几率BboxToolkit文件夹下的内容是clone不下来的，这时可以cd到OBBDetection/BboxToolkit文件夹下继续clone:

git clone https://github.com/jbwang1997/BboxToolkit.git --recursive

下面开始正式安装包

1. 安装BboxToolkit

cd BboxToolkit
pip install -v -e .  # or "python setup.py develop"
cd ..

安装成功的话使用pip list查看，里面会有bboxtoolkit这一项

2. 安装mmcv

pip install mmcv-full==1.7.0 -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html --no-cache-dir

我安装的是1.7.0版本的，后面cuda和torch的版本注意根据自己的实际情况修改

另外，这一步需要注意的一点是只安装mmcv-full就行，不要安装mmdet，因为作者使用的mmdet是经过他添加修改后的mmdet，而不是官方的mmdet模块，如果这里同时执行了命令pip install mmdet，那么后面会出现重名问题。

同样，是否安装成功请使用pip list查看。

3. 安装mmdet

pip install -r requirements/build.txt
pip install mmpycocotools
pip install -v -e .  # or "python setup.py develop"

最后一步耗时比较长，中途如果卡住不走要耐心等待一段时间，不要急着ctrl+z。

四、解决ModuleNotFound问题

一般而言，出现ModuleNotFound问题有如下几点原因：

没有安装module包：建议使用pip list核对
没有import
__init.py__文件中没有写
安装的module包版本不匹配
没有设置pythonpath环境变量：这一点非常关键，建议在出现了import报错时先运行命令
```
python3 -c 'import sys;print(sys.path)'
```
查看import指令真实的搜索路径，如果没有你想查找的路径，可以通过如下语句添加：
```
export PYTHONPATH=path:$PYTHONPATH
```

五、运行demo

首先去github下载作者训练好的.pth文件

在这个目录里面找：OBBDetection/configs/obb/oriented_rcnn/README.md

下图中表格最后一栏的model里面放的就是.pth文件的下载链接。

下载完成后上传代码文件里面去。

然后在OBBDetection/mmdet/apis/inference.py文件的最后一行加入一段代码：

 cv2.imwrite("demo.jpg", img)

最后运行命令：

python demo/huge_image_demo.py demo/dota_demo.jpg configs/obb/oriented_rcnn/<选一个想跑的网络>	 <.pth文件的路径>

得到结果。

六、训练模型

1. HRSC2016

首先上传数据集，然后在OBBDetection/configs/obb/base/datasets/hrsc.py里面修改数据集的路径，然后运行一下代码：

python tools/train.py configs/obb/oriented_rcnn/faster_rcnn_orpn_r101_fpn_3x_hrsc.py --work-dir work_dirs

2. DOTA

和上方一样，先上传数据集，然后在OBBDetection/configs/obb/base/datasets/dota.py里面修改数据集的路径。

但是DOTA数据集不太一样的地方在于由于它是一个大型的遥感影像数据集，所以在训练前需要先执行一遍split操作，具体操作方式在作者的github中有说明，请查看OBBDetection/BboxToolkit/USAGE.md文件

进行完split操作之后，修改路径名称，执行指令：

python tools/train.py configs/obb/oriented_rcnn/faster_rcnn_orpn_r50_fpn_1x_dota10.py  --work-dir work_dirs

一切正常的话会开始训练。

八、测试

输入指令：

python tools/test.py configs/obb/oriented_rcnn/faster_rcnn_orpn_r50_fpn_3x_hrsc.py /root/OBBDetection/work_dirs/epoch_36.pth --eval mAP

可以得到mAP以及recall等参数。

另外可以参考知乎这一篇mmdetection入门文档中分析日志部分的内容绘制loss曲线以及输出训练时间。

MMDetection中文文档—2.入门 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/101212969