underwater-object-detection-mmdetection

和鲸社区Kesci 水下目标检测算法赛（光学图像赛项）

答辩PPT

coming soon or by contacting with me

整体思路

1. 使用两阶段检测框架，保证精度要求；

2. 使用FPN，增强小目标的检测效果；

3. 使用Mixup、旋转等无损的数据增强技术，减轻网络过拟合，并提升模型泛化能力；

   

4. 使用多尺度训练与预测，适应图片分辨率差异，可以让参与训练的目标大小分布更加均衡，使模型对目标大小具有一定的鲁棒性；

5. 参考ResNet论文，使用Global Context ROI为每个候选框添加上下文信息，充分利用数据分布特点，提升了检测精度。

消融实验

项目运行的资源环境

• 操作系统：Ubuntu 18.04.2
• GPU：2080Ti * 4
• Python：Python 3.6.8
• NVIDIA依赖：
  • CUDA：V10.0.130
  • CUDNN：7.4.1
  • NVIDIA驱动版本：410.73
• 深度学习框架：PyTorch1.1.0

环境安装及编译

1. conda create -n 自拟环境名称 python=3.7 -y
2. conda install pytorch=1.1.0 torchvision=0.3.0 cudatoolkit=10.0
3. pip install cython && pip install -r requirements.txt
4. conda install pillow=6.1
5. pip install tqdm
6. pip install pytest-runner -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
7. python setup.py develop

预训练模型下载

• 下载mmdetection官方开源的htc的resnext 64×4d 预训练模型
• 百度网盘下载地址：链接:https://pan.baidu.com/s/1r3uQVpOLKfjF8vfLEYPMgg 密码:811m

模型训练与预测

• 训练

  1. 运行：

     x101_64x4d (htc pretrained):

     chmod +x tools/dist_train.sh

     ./tools/dist_train.sh configs/underwater/cas_x101/cascade_rcnn_x101_64x4d_fpn_dcn_1x.py 4

     (上面的4是我的gpu数量，请自行修改)

  2. 训练过程文件及最终权重文件均保存在config文件中指定的work_dirs目录中

• 预测

  1. 运行:

     x101_64x4d (htc pretrained):

     chmod +x tools/dist_test.sh

     ./tools/dist_test.sh configs/underwater/cas_x101/cascade_rcnn_x101_64x4d_fpn_dcn_1x.py work_dirs/cas_x101_64x4d_fpn_htc_dconv_1x/latest.pth 4 --json_out results/cas_x101.json

     (上面的4是我的gpu数量，请自行修改)

  2. 预测结果文件会保存在 /results 目录下

  3. 转化mmd预测结果为提交csv格式文件：

     python tools/post_process/json2submit.py --test_json cas_x101.bbox.json --submit_file cas_x101.csv

     最终符合官方要求格式的提交文件 cas_x101.csv 位于 submit目录下

Reference

• BaselineBy郑烨
• 2019广东工业智造创新大赛【赛场一】布匹疵点智能识别rank2解决方案

Contact

author: hk
qq：3025531252
email: 3025531252@qq.com