团队：深度炼丹

• 预处理

  • 形态学闭操作处理图片：增强小目标船只

• 数据增强

  • Mosaic，MixUp （只在YOLOX中work）
  • GridMask，Flip，Translate

• 模型架构

  • ConvNext
  • Swin-T
  • YoloX

• 模型融合

  • WBF融合多次结果

• anchor适应赛题数据

  • 根据训练集给出的目标label，统计目标长短边比例，目标大小
  • 根据统计数据更改anchor ratio 和 anchor scale以适应小目标与船只目标大小

• cascade iou阈值适应赛题map要求

  • cascade 每个head的预测bbox结果在其对应iou阈值的AP上效果最好
  • 根据比赛0.5的iou要求, 将cas三个head的iou阈值调整为0.3, 0.4, 0.5

• 加入背景类

  • 由于SAR图像背景多样性，船只靠岸时，船只离岸在海面时，船只目标容易与背景混淆，因此引入背景类
  • 在目标的周围生成与目标相同大小的背景类，将此类作为新类别加入到模型训练中，使得模型不仅学习到船只特征，对于背景场景也有一定的先验知识。在测试阶段，我们只需要关注船只类别的识别结果即可

• ConvNext双阶段训练

  

• 模型集成

  • 使用WBF对三个模型的检测结果ensemble
  • 模型权重采用逐级递增策略，Yolox，Swin-T，ConvNext从1开始递增 weights = [1, 2, 3, 4 ...]
  • WBF选取max模式，iou_thred = 0.5

其他尝试，但不work：

• anchor设置为8尺寸

• focal loss + GIoU

• mixup+mosaic （只有YoloX中work）

• box head的回归loss替换为giou loss, 替换为iou loss

• SWA

• global context block

• 多尺度训练（只有YoloX中work）

• Grid Mask

为达到主办方复线要求，我们把运行环境打包成镜像方便主办方运行

该镜像内只包含运行环境

1. 克隆仓库：git clone https://gitee.com/PHP_Go_c51e/DCIC2022_ShipDetection-DeepAlchemy.git

2. 下载数据：从该链接百度云:3xtp内的数据文件夹内下载数据，解压后放置到/data/user_data文件路径下，此时/data/user_data应该包含数据文件：dcic_coco_dataset/dcic_coco_2cls_dataset/ dcic_denoise_2cls_dataset/dcic_full_coco_2cls_dataset/dcic_full_coco_dataset ，具体数据说明请查看下文 《5.2 数据说明》

   注意：/data/user_data中已存在这些空文件夹直接覆盖即可

3. 下载预训练模型：按照下文《六. 预训练模型下载》中的链接，下载预训练模型。下载后分别放置到指定文件夹下，ConvNeXt和Swin-Transformer预训练模型放置在/data/code/mmdet/pretrained/文件夹下，YOLOX预训练模型放置在/data/code/yolox/pretrained/文件夹下

进入git仓库代码所在目录*/DCIC2022_ShipDetection-DeepAlchemy下(该目录下包含Dockerfile)

docker build -t da . (根据Dockerfile构建容器)
nvidia-docker run --shm-size=8G -v /data:/data -it da:latest sh run.sh （启动容器 一键训练+推理）

Tips : 请指明共享内存--shm-size=8G

|-- data
    |-- raw_data
        |-- (原生数据)
	|-- user_data
	    |-- dcic_coco_dataset
	    |-- dcic_coco_2cls_dataset
	    |-- dcic_denoise_2cls_dataset
	    |-- dcic_full_coco_dataset
	    |-- dcic_full_coco_2cls_dataset
    |-- code
        |-- mmdet
        |-- yolox
        |-- utils
    |-- prediction_result
	    |-- result.csv
    |--README.md

• OS：CentOS Linux release 7.8.2003 (Core)
• 内核版本：Linux version 3.10.0-1127.19.1.el7.x86_64 ([email protected]) (gcc version 4.8.5 20150623 (Red Hat 4.8.5-39) (GCC) )
• GPU：Tesla V100-SXM2 32GB * 8
• Python：python3.7
• Nvidia依赖：
  • cuda：10.2 / 11.3
  • cudnn：7.6.5 / 8.2.0
• DL框架：
  • torch 1.10.2
  • torchvision: 0.11.3
• Detection框架：
  • Openmmlab - mmdetection
  • mmvc-full：1.4.0
  • mmdet：2.11.0
• 混合精度训练框架:
  • apex: 0.1
• Docker:
  • Cuda: 11.3
  • Cudnn: 8.2.0
  • Torch: 1.10
  • python: 3.7
  • mmcv_full: 1.4.0

详细requirements请查看openmmlab_ens.yaml 和 yolox_ens.yaml

如不需要docker运行，则可以手动安装和编译运行环境，具体操作如下：

1. 创建虚拟环境： conda create -n openmmlab python=3.7 并激活conda activate openmmlab

2. 安装pytorch：conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch

3. 安装其他依赖：pip install -r openmmlab_ens.txt

4. 安装 mmcv-full(1.4.0) ：按照mmdetection官方说明安装(需要对应cuda及torch版本)

   https://github.com/open-mmlab/mmdetection/blob/731a28ee7b73452a859d507c99185d1c0d238cb8/docs/get_started.md

5. 编译mmdetection：

   cd 到代码目录下
   pip install -r requirements/build.txt
   pip install -v -e .

1. 创建虚拟环境： conda create -n yolox python=3.7 并激活conda activate yolox

2. 安装pytorch：conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

3. 安装其他依赖：pip install -r yolox_ens.txt

4. 编译yolox：

   cd 到yolox代码目录下
   pip install -r requirements/build.txt
   pip install -v -e .

1. training_dataset分割成训练集与验证集：取training_dataset中39223.jpg 到最后39612.jpg，一共220张图片和labels当作验证集，剩余21284张图片和labels当作训练集

2. 制作COCO格式数据集

   1. 新建train，val和test文件夹，并将分割好的训练集放到train文件夹中，验证集放到val文件夹中，测试集放到test文件夹中。

   2. 通过xx中的path_replacer.py生成train.txt, val.txt和test.txt：

      1. train.txt:

         python path_replacer.py --path_image_folder /train文件夹路径/ --path_txt /生成train.txt的存放路径(路径最后记得加/train.txt)/
         
         例如：python path_replacer.py --path_image_folder/data/home/scv1442/run/DCIC_2022_Swin-Transformer/data/dcic_coco_dataset/train --path_txt /data/home/scv1442/run/DCIC_2022_Swin-Transformer/data/dcic_coco_dataset/train.txt

      2. val.txt与test.txt生成方式与上述相同

   3. 通过main.py生成COCO格式的annotations：

      1. 生成train.json:

         python main.py --path /train.txt存放路径/ --output /生成json文件的名称(注意生成的json在output文件夹下)/
         
         例如：python main.py --path /data/home/scv1442/run/DCIC_2022_Swin-Transformer/data/dcic_coco_dataset/train.txt --output train.json

      2. 生成val.json和test.json：与上述相同

   4. train.json,val.json和test.json放置到annotations文件中

3. 数据层级结构：

   dcic_coco_dataset/
   	annotations/
   		train.json
   		val.json
   		test.json
   	train/
   		00001.jpg
   		00001.txt
   		...
   	val/
   		00002.jpg
   		00002.txt
   		...
   	test/
   		00003.jpg
   		...
   	train.txt
   	val.txt
   	test.txt

4. 可直接下载制作好的COCO数据集 地址：百度云code:3xtp

1. dcic_coco_dataset：原始数据集转换成COCO格式，并取最后训练集220张作为验证集
2. dcic_full_coco_dataset：原始数据集换成COCO格式，全量训练集用于训练
3. dcic_coco_2cls_dataset：原始数据集加入背景类转换成COCO格式，并取最后训练集220张作为验证集
4. dcic_denoise_2cls_dataset：原始数据集经过形态学闭操作预处理后加入背景类转换成COCO格式，并取最后训练集220张作为验证集
5. dcic_full_coco_2cls_dataset：原始数据集加入背景类转换成COCO格式，全量训练集用于训练

ConvNeXt 预训练模型：

• cascade_mask_rcnn_convnext_xlarge_22k_3x.pth：https://dl.fbaipublicfiles.com/convnext/coco/cascade_mask_rcnn_convnext_xlarge_22k_3x.pth
• 官方下载页面：https://github.com/facebookresearch/ConvNeXt/tree/main/object_detection

Swin-Transformer 预训练模型：

• swin_large_patch4_window7_224_22k.pth：https://github.com/SwinTransformer/storage/releases/download/v1.0.0/swin_large_patch4_window7_224_22k.pth
• swin_small_patch4_window7_224.pth:https://github.com/SwinTransformer/storage/releases/download/v1.0.0/swin_small_patch4_window7_224.pth
• 官方下载页面：https://github.com/SwinTransformer/storage/releases

YoloX 预训练模型：

• yolox_x.pth: https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_x.pth
• 官方下载页面：https://github.com/Megvii-BaseDetection/YOLOX/releases

下载后分别放置到./mmdet/pretrained和./yolox/pretrained文件夹下即可

• Exp1：原版ConvNeXt / 配置文件：cascade_convnext_x_exp1.py

  ./tools/dist_train.sh ./configs/convnext/cascade_convnext_x_exp1.py 8 (这里我们使用了8卡)
  
  训练后的log和权重文件都保存在./work_dirs/cascade_convnext_x_exp1 目录下

• Exp2：640尺度训练原版ConvNeXt / 配置文件：cascade_convnext_x_1cls_640_exp2.py

  ./tools/dist_train.sh ./configs/convnext/cascade_convnext_x_1cls_640_exp2.py 8
  
  训练后的log和权重文件都保存在./work_dirs/cascade_convnext_x_1cls_640_exp2 目录下

• Exp4: Exp1为预训练权重训练全量数据 / 配置文件：cascade_convnext_x_1cls_full_exp4.py

  ./tools/dist_train.sh ./configs/convnext/cascade_convnext_x_1cls_full_exp4.py 8
  
  训练后的log和权重文件都保存在./work_dirs/cascade_convnext_x_1cls_full_exp4 目录下

• Exp5: Exp1为预训练权重训练2class的全量数据 / 配置文件：cascade_convnext_x_2cls_full_exp5

  ./tools/dist_train.sh ./configs/convnext/cascade_convnext_x_2cls_full_exp5.py 8
  
  训练后的log和权重文件都保存在./work_dirs/cascade_convnext_x_2cls_full_exp5 目录下

• Exp6: Exp2为预训练权重训练2class的640尺度全量数据 / 配置文件：cascade_convnext_x_2cls_full_640_exp6.py

  ./tools/dist_train.sh ./configs/convnext/cascade_convnext_x_2cls_full_640_exp6.py 8
  
  训练后的log和权重文件都保存在./work_dirs/cascade_convnext_x_2cls_full_640_exp6 目录下

• Exp9: Exp1为预训练权重训练2class 256尺度经过数据增强的数据 配置文件：cascade_convnext_x_2cls_full_aug_256_exp9.py

  ./tools/dist_train.sh ./configs/convnext/cascade_convnext_x_2cls_full_aug_256_exp9.py 8
  
  训练后的log和权重文件都保存在./work_dirs/cascade_convnext_x_2cls_full_aug_256_exp9 目录下

• Exp1: 2class 256尺度数据增强 / 配置文件：swin_large_2cls_full_exp1.py

  ./tools/dist_train.sh ./configs/convnext/swin_large_2cls_full_exp1.py 8
  
  训练后的log和权重文件都保存在./work_dirs/swin_large_2cls_full_exp1 目录下

• Exp2: 以Exp1权重为预训练模型 继续训练18epoch / 配置文件：swin_large_continue_exp2.py

  ./tools/dist_train.sh ./configs/convnext/swin_large_continue_exp2.py 8
  
  训练后的log和权重文件都保存在./work_dirs/swin_large_continue_exp2 目录下

• Exp1: 2class训练yolox-x模型230个epoch

  python tools/train.py --experiment-name yolox_x_2cls_230epoch -f exps/yolox_x.py --devices 8 --batch-size 64 -o --ckpt pretrained/yolox_x.pth

• Exp2: 2class训练降噪数据130个epoch

  python tools/train.py --experiment-name yolox_x_2cls_denoise_130epoch -f exps/yolox_x.py --devices 4 --batch-size 32 -o --ckpt pretrained/yolox_x.pth

为帮助主办方复现，我们提供了所有的训练log以及模型权重：

./tools/dist_test.sh ./配置文件路径/ /模型参数路径/ 8 --format-only --options "jsonfile_prefix=./json名称"

例如：
./tools/dist_test.sh ./configs/swin/swin_large.py /data/home/scv1442/run/DCIC_2022_Swin-Transformer/work_dirs/swin_large_18epoch/latest.pth 8 --format-only --options "jsonfile_prefix=./swin_large_18epoch"

python tools/demo.py image -expn 文件生成路径 -f exps/yolox_x.py -c /模型参数路径/ --path /测试数据路径/ --conf 0.5 --nms 0.65 --tsize 640 --save_result --device gpu

例如：
python tools/demo.py image -expn yolox_x_2cls_230epoch -f exps/yolox_x.py -c /data/home/scv1442/run/DCIC2022_YOLOX/YOLOX_outputs/yolox_x_2cls_230epoch/last_epoch_ckpt.pth --path /data/home/scv1442/run/DCIC2022/DCIC2022_dataset/images/test --conf 0.5 --nms 0.65 --tsize 640 --save_result --device gpu

使用WBF对三个模型的检测结果ensemble

• 模型权重采用逐级递增策略，Yolox，Swin-T，ConvNext从1开始递增 weights = [1, 2, 3, 4 ...]
• WBF选取max模式，iou_thred = 0.5

data/code/utils/wbf_test.py

data/code/utils/post_process.py

[email protected]