Juegue entrenamiento y prueba del modelo de detección de objetivos MMDetection-MMDetection v2 (4)

1. Modelo de formación

1.1 Entrenamiento de GPU única

python tools/train.py {CONFIG} [--work-dir] [optional arguments] [optional arguments]

1.2 Entrenamiento multi-GPU

bash tools/dist_train.sh {CONFIG} {GPUS} [optional arguments]

1.3 Parámetros:

config : la ruta del archivo de configuración del modelo de entrenamiento
--work-dir : establece la ruta para almacenar los archivos generados por el entrenamiento (archivos de registro y archivos de peso)
--no-validate : no verifica el modelo durante el entrenamiento
--gpus : el número de gpus que se utilizarán, solo aplicable a la capacitación no distribuida
--gpu-dis : la identificación de las gpus que se usarán, solo aplicable a la capacitación no distribuida,
--seed : establece una semilla aleatoria para facilitar la reproducción de resultados
--determinista : si se debe configurar para la opción determinista del backend de CUDNN

Generalmente, durante el entrenamiento, ① se requiere la ruta del archivo de configuración del modelo de entrenamiento y ② --work-dir para establecer la ruta para almacenar los archivos generados por el entrenamiento (archivos de registro y archivos de peso), ③ --no - validate para configurar el entrenamiento No valide el modelo de vez en cuando. Si necesita llamarlo, simplemente agregue --no-validate Generalmente, no se llama. ④--El número de gpus que usará gpus ⑤: la cantidad de gpus que usará gpu-dis Los dos parámetros de gpus id solo se aplican al entrenamiento no distribuido. Si es necesario llamar al entrenamiento con múltiples tarjetas, seleccione la cantidad de gpus utilizadas y la gpu correspondiente IDENTIFICACIÓN.

1.4 Ejemplos de formación

1.4.1 Entrenamiento de GPU única

python tools/train.py configs/obb/oriented_rcnn/faster_rcnn_orpn_our_imp_swin_fpn_1x_dota10.py --work-dir work_dirs/DOTA2_1K

Utilice Swin Transformer para entrenar el conjunto de datos DOTA y guarde el archivo de registro y el archivo de peso generados por el entrenamiento en la ruta work_dir/DOTA2_1K en el directorio raíz.

1.4.2 Entrenamiento multi-GPU

bash tools/dist_train.sh configs/obb/oriented_rcnn/faster_rcnn_orpn_our_imp_swin_fpn_1x_dota10.py 4

Use Swin Transformer para entrenar el conjunto de datos DOTA, use 4 tarjetas para entrenar, no se define ninguna ID de GPU, el valor predeterminado es 0, 1, 2, 3

2. Modelo de prueba

2.1 Prueba de GPU única

python tools/test.py  {CONFIG_FILE}  {CHECKPOINT_FILE} [--out ${RESULT_FILE}]  [--eval ${EVAL_METRICS}]   [optional arguments] # EVAL_METRICS可以为proposal_fast、proposal、bbox、segm、mAP、recall

2.2 Prueba de múltiples GPU

tools/dist_test.sh <CONFIG_FILE> <CHECKPOINT_FILE> <GPU_NUM>  [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}]  [optional arguments]  # EVAL_METRICS可以为proposal_fast、proposal、bbox、segm、mAP、recall 

2.3 parámetros

CONFIG_FILE : ruta al archivo de configuración del modelo de prueba
CHECKPOINT_FILE : ruta al archivo de peso
--out : archivo de resultados de salida en formato pickle
--fuse-conv-bn : si se fusionan conv y bn, lo que mejorará en gran medida la velocidad de inferencia
--format-only : Formatee los resultados de salida sin realizar la evaluación. Esto es útil cuando desea formatear los resultados en un formato específico y enviarlos a un servidor de prueba. Cuando se llama, generalmente también se usa para generar archivos en otros formatos.
--eval : El elemento a evaluar con respecto al resultado. Los valores permitidos dependen del conjunto de datos, por ejemplo, propuesta_fast, propuesta, bbox, segm se pueden usar para COCO, mAP, la recuperación se puede usar para PASCAL VOC. Los paisajes urbanos pueden ser evaluados por Cityscapes, así como por todas las métricas de COCO.
--show : Visualización de resultados con cuadros de predicción
--show-dir : Ruta para guardar imágenes dibujadas con cuadros de predicción
--show-score-thr : Establece el umbral para mostrar cuadros de predicción
--gpu-collect : Si se debe utilizar gpu Recopilar resultados
- -tmpdir : el directorio tmp se utiliza para recopilar resultados de múltiples procesos de trabajo, disponible cuando no se especifica gpu Collect.

2.4 Caso de prueba

2.4.1 Prueba de GPU única

python tools/test.py configs/obb/oriented_rcnn/faster_rcnn_orpn_our_imp_swin_fpn_1x_dota10.py weights/DOTA/xxx.pth --eval mAP

Utilice Swin Transformer para probar el conjunto de datos DOTA, utilice el peso xxx.pth y verifique la precisión del mapa.

2.4.2 Prueba de múltiples GPU

bash tools/dist_train.sh configs/obb/oriented_rcnn/faster_rcnn_orpn_our_imp_swin_fpn_1x_dota10.py 4

Utilice Swin Transformer para probar el conjunto de datos DOTA, utilice el peso xxx.pth y verifique la precisión del mapa. , use 4 tarjetas para el entrenamiento, no se define ninguna ID de GPU, el valor predeterminado es 0, 1, 2, 3.

Figura 1 Resultados de la prueba del conjunto de datos DOTA

La Figura 1 muestra los resultados de la prueba del conjunto de datos DOTA. Se puede ver claramente que los marcos de anotación de detección de objetivos son todos marcos giratorios con rotación angular y tienen una alta precisión de detección.

Figura 2 Resultados de la prueba del conjunto de datos HRSC2016

La Figura 2 muestra los resultados de la prueba del conjunto de datos HRSC2016. Se puede ver claramente que los marcos de anotación de detección de objetivos son todos marcos giratorios con rotación angular y tienen una alta precisión de detección.