# faster-rcnn.Supernova **Repository Path**: pprp/faster-rcnn.Supernova ## Basic Information - **Project Name**: faster-rcnn.Supernova - **Description**: No description available - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2020-09-04 - **Last Updated**: 2020-12-20 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # Faster R-CNN supernova ## 说明 本项目基于faster-rcnn.pytorch进行修改，主要用于参加2019年未来杯挑战赛图像组比赛，比赛目标是识别超新星，比赛网址 [https://ai.futurelab.tv/](https://ai.futurelab.tv/) 比赛**最终方案**：Faster R-CNN + ResNet101 + Anchor Scale(1,2,3) + 数据集(中心切割，扩充，放大) ， 最终得分：0.740527 ，西北区第三名 与原项目相比主要添加了**以下改进**： - 添加了demo_split.py, 提供了将图片均等切割为四部分，然后放大为原来的二倍，然后进行检测，通过nms挑前三个得分最高的框。 - 添加了score.py，专门用于程序离线跑分，通过计算submit.csv和list.csv进行一个结果的计算。 - 添加了模型对densenet系列的支持 - preprocess文件夹中提供了一系列数据处理，可视化等python程序 ## 环境搭建: >``` >conda create -n pytorch python=3.6 >conda install pytorch torchvision cudatoolkit=9.0 -c pytorch=0.4.0 >pip install -r requirements.txt >cd lib >sh make.sh >``` 在data/pretrained_model文件夹下运行命令(下载预训练权重): ``` wget https://filebox.ece.vt.edu/~jw2yang/faster-rcnn/pretrained-base-models/res101_caffe.pth ``` 将训练得到的模型`faster_rcnn_1_1_2514.pth`放在:`StarFRCNN/models/res101/pascal_voc`目录下 ## 数据预处理： 说明:训练数据与测试数据都需要进行以下步骤的预处理． ### **训练集**: 1. af2019-cv-training-20190312文件夹放置在preprocess文件夹下,运行`python merge3to1_train.py` 即可得到`merged_train`文件夹. 2. 制作以下形式的VOC数据集. ``` VOCdevkit2007 - VOC2007 - Annotations (标签XML文件，用对应的图片处理工具人工生成的) - ImageSets (生成的方法是用sh或者MATLAB语言生成) - Main - test.txt - train.txt - trainval.txt - val.txt - JPEGImages(原始图片) ``` 3. merged_train文件夹下的图片放置到JPEGImages 4. 在preprocess目录下创建xml目录,```mkdir xml```(用于保存xml文件) 5. 在preprocess目录下创建error.txt ```touch error.txt```(用于记录标注出错的文件) 6. 运行`python generateXmlFromCsv.py`得到xml文件夹中的xml文件,将其放到Annotations文件夹. 7. 将preprocess文件夹下的`generate4Txt.py`放到VOC2007目录下,然后运行`python generate4Txt.py` 8. 最后将VOCdevkit2007文件放到data文件夹下. ### 测试集: 1. af2019-cv-testA-20190318文件夹放置在preprocess文件夹下,运行`python merge3to1_train.py` 即可得到`merged_test`文件夹. 2. 将merged_test文件夹下生成的图片复制到StarFRCNN/images文件夹以供测试. ## 训练过程： 由于我们采用res101作为基础网络,在获取了与训练模型并且配置好数据集后,运行以下命令 ``` CUDA_VISIBLE_DEVICES=$GPU_ID python trainval_net.py \ --dataset pascal_voc --net res101 \ --bs $BATCH_SIZE --nw $WORKER_NUMBER \ --lr $LEARNING_RATE --lr_decay_step $DECAY_STEP \ --cuda ``` 举个例子: ``` CUDA_VISIBLE_DEVICES=0 python trainval_net.py \ --dataset pascal_voc --net res101 \ --bs 2 --nw 4 \ --lr 0.001 \ --cuda ``` ## 测试过程： ### demo 将测试数据放到images目录以后,运行以下命令: ``` python demo.py --net res101 \ --checksession $SESSION --checkepoch $EPOCH --checkpoint $CHECKPOINT \ --cuda --load_dir path/to/model/directoy \ --output_dir path/to/output/dir ``` 举个例子: ``` python demo.py --net res101 \ --checksession 1 --checkepoch 1 --checkpoint 2514 \ --cuda --load_dir ./models \ --output_dir ./output_image ``` 注意:此时models的结构如下: ``` models - res101 - pascal_voc - faster_rcnn_1_1_2514.pth(我们训练得到的权重) ``` 最终得到的结果是图片上有框,对应confidence ### 如何得到submit.csv ``` python demo.py --dataset pascal_voc --net res101 \ --checksession $SESSION --checkepoch $EPOCH \ --checkpoint $CHECKPOINT \ --cuda ``` 举个例子: ``` python test_net.py --dataset pascal_voc --net res101 \ --checksession 1 --checkepoch 1 \ --checkpoint 2514 \ --cuda \ --image_dir ./images ``` image_dir参数对应测试图像位置，之后会在demo.py同目录下生成submit.csv 使用的是faster_rcnn_1_1_2514.pth权重 > 本代码不是最终提交代码（不包括数据处理部分） ## 致谢 感谢队友们的支持，以及西北农林科技大学的宁教授思路上的支持，感谢主办方提供的比赛机会。