操作系统:Ubuntu16.10
语言:python3.6.5
深度学习框架:pytorch0.4.1 cuda9.0 cudnn7
GPU:1080Ti 11G显存
相关的依赖python包:
pyyaml
opencv-python
pandas
numpy
scipy
matplotlib
cython
packaging
pycocotools
tensorboardX
a. 编译CUDA 代码:
cd lib # please change to this directory
sh make.sh
然后就会开始编译
如果您使用的是Volta架构的GPU,那么请将 lib/make.sh 中第14行后面加上反斜杠,并且打开下一行的注释来调整cuda编译时候的依赖版本
一切顺利的话将完成对NMS, ROI_Pooing, ROI_Crop 以及 ROI_Align几个模块的编译工作
b.数据准备:
请将比赛所用的训练集所有图片放置于目录:
data/gangjin/images/train
请将比赛所用的测试集放所有图片置于目录:
data/gangjin/images/test
请从以下链接下载COCO预训练模型:
https://dl.fbaipublicfiles.com/detectron/36761843/12_2017_baselines/e2e_mask_rcnn_X-101-32x8d-FPN_1x.yaml.06_35_59.RZotkLKI/output/train/coco_2014_train%3Acoco_2014_valminusminival/generalized_rcnn/model_final.pkl
并且将其重命名为:COCO-mask-X-101-32x8d.pkl
然后放置于 data/pretrained_model 目录下
c. 训练:
python tools/train_net_step.py --dataset gangjin --cfg configs/baselines/e2e_faster_rcnn_X-101-32x8d-FPN_1x.yaml --nw 6 --bs 1 --use_tfboard
d. 预测:
python tools/infer_csv.py --dataset gangjin --cfg configs/baselines/e2e_faster_rcnn_X-101-32x8d-FPN_1x.yaml --load_ckpt Outputs/e2e_faster_rcnn_X-101-32x8d-FPN_1x/Deb16-01-20-13_gpuNode-6-4_step/ckpt/model_step109999.pth --image_dir data/gangjin/images/test/
然后最终的提交文件会在submit文件夹下生成
最后衷心感谢比赛放提供的非常良心的标注数据!!是我参加几个比赛看到的最棒最良心的,谢谢!!