飞桨钢铁检测参赛项目
一目了然的项目结构能帮助更多人了解，目录树以及设计**都很重要~
-|data
-|work
-README.MD
-main.ipynb
以下训练模型以ppyoloe-plus-s为例
优化器选择的是momentum 初始学习率是0,01 学习率衰减在前5eopch选择LinearWarmup，后面的是CosineDecay 训练300epochs 加载预训练权重https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_s_80e_coco.pdparams 数据增强使用了:RandomCrop,RandomFlip,BatchRandomResize等 有兴趣可以看一下项目里的具体配置
下面列出ppyoloe_plus_crn_s_80e_coco.yml：
_BASE_: [
'../datasets/voc.yml',
'../runtime.yml',
'./_base_/optimizer_80e.yml',
'./_base_/ppyoloe_plus_crn.yml',
'./_base_/ppyoloe_plus_reader.yml',
]
log_iter: 100
snapshot_epoch: 5
weights: weights/best_model
depth_mult: 0.33
width_mult: 0.50
pretrain_weights: https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_l_80e_coco.pdparams
voc.yml：voc数据集的说明 optimizer_300e:关于优化器的配置 ppyoloe_plus_crn：关于网络结构的配置 ppyoloe_plus_reader：关于数据管道的配置
按照自己的需求修改好配置文件之后就开始训练了：
python tools/train.py -c configs/ppyoloe/ppyoloe_plus_crn_s_80e_coco.yml
如果需要边训练边评估：
python tools/train.py -c configs/ppyoloe/ppyoloe_plus_crn_s_80e_coco.yml --eval
训练好模型之后，就可以进行模型推理了。可以在ppyoloe_plus_reader配置文件下修改模型推理的相应的数据管道，比如修改推理图片的大小。当然在这里也需要将我们的检测结果保存到csv文件下，因此对infer的代码添加了一些代码(因为懒，当时报名的时候只剩下10月最后两三天了，代码可能写的有点粗糙，然后后面一直关于优化训练过程，忘记了这里)，并不是像大佬们一样写了一个json转换到csv文件的程序.
对trainer.py的Trainer.predict的修改如下(代码太长，所以只亮出了修改的部分)：
if visualize:
import csv
if os.path.exists('submission.csv'):
os.remove('submission.csv')
f = open('submission.csv', 'w', encoding='UTF8', newline='')
writer = csv.writer(f)
writer.writerow(['image_id', 'bbox', 'category_id', 'confidence'])
for outs in results:
batch_res = get_infer_results(outs, clsid2catid,writer)
bbox_num = outs['bbox_num']
对coco_utils.py的get_infer_results函数修改如下
def get_infer_results(outs, catid, writer,bias=0):
if outs is None or len(outs) == 0:
raise ValueError(
'The number of valid detection result if zero. Please use reasonable model and check input data.'
)
im_id = outs['im_id']
infer_res = {}
if 'bbox' in outs:
if len(outs['bbox']) > 0 and len(outs['bbox'][0]) > 6:
infer_res['bbox'] = get_det_poly_res(
outs['bbox'], outs['bbox_num'], im_id, catid, bias=bias)
else:
infer_res['bbox'] = get_det_res(
outs['bbox'], outs['bbox_num'], im_id, catid, writer,bias=bias)
然后对json_result.py的get_det_res函数修改如下：
def get_det_res(bboxes, bbox_nums, image_id, label_to_cat_id_map, writer,bias=0):
det_res = []
k = 0
for i in range(len(bbox_nums)):
cur_image_id = int(image_id[i][0])
det_nums = bbox_nums[i]
for j in range(det_nums):
dt = bboxes[k]
k = k + 1
num_id, score, xmin, ymin, xmax, ymax = dt.tolist()
if xmin<0:
xmin=0
if ymin<0:
ymin=0
w_bbox='[{},{},{},{}]'.format(xmin,ymin,xmax,ymax)
if int(num_id) < 0:
continue
category_id = label_to_cat_id_map[int(num_id)]
info = [str(cur_image_id), w_bbox, str(category_id),str(score)]
writer.writerow(info)
w = xmax - xmin + bias
h = ymax - ymin + bias
bbox = [xmin, ymin, w, h]
dt_res = {
'image_id': cur_image_id,
'category_id': category_id,
'bbox': bbox,
'score': score
}
det_res.append(dt_res)
return det_res
然后还需要记得把配置文件ppyoloe_plus_crn_s_80e_coco.yml的weights改成自己的模型。
这样我们就可以预测了：
python tools/infer.py -c configs/ppyoloe/ppyoloe_plus_crn_s_80e_coco.yml
然后提交我们的csv文件即可。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent