mmrotate旋转目标检测实战指南

一、环境安装

1、创建虚拟环境

conda create -n openmmlab python=3.7 -y
conda activate openmmlab

2、安装pytorch（默认cuda10.1）

conda install pytorch==1.7.0 torchvision==0.8.0 cudatoolkit=10.1 -c pytorch

3、安装mmcv-full （版本要求：>=1.4.5, <=1.6.0）

pip install mmcv-full==1.4.5 -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.7.0/index.html

4、安装mmdetection

pip install mmdet

5、安装mmrotate

pip install mmrotate

6、安装相关依赖

git clone https://github.com/open-mmlab/mmrotate.git
cd mmrotate
pip install -r requirements/build.txt
pip install -v -e .  # or \"python setup.py develop\"

二、测试demo

1、下载权重

下载地址：https://download.openmmlab.com/mmrotate/v0.1.0/oriented_rcnn/oriented_rcnn_r50_fpn_fp16_1x_dota_le90/oriented_rcnn_r50_fpn_fp16_1x_dota_le90-57c88621.pth

2、运行demo：

python demo/image_demo.py demo/demo.jpg configs/oriented_rcnn/oriented_rcnn_r50_fpn_fp16_1x_dota_le90.py checkpoints/oriented_rcnn_r50_fpn_fp16_1x_dota_le90-57c88621.pth

3、测试效果：

三、数据集构建

1、DOTA航拍数据集

下载地址：https://captain-whu.github.io/DOTA/dataset.html

2、DOTA数据集文件结构

mmrotate
├── mmrotate
├── tools
├── configs
├── data
│   ├── DOTA
│   │   ├── train
│   │   ├── val
│   │   ├── test

3、更改数据集基础路径

change data_root in configs/_base_/datasets/dotav1.py to split DOTA dataset.

4、裁剪数据集

python tools/data/dota/split/img_split.py --base-json \\
  tools/data/dota/split/split_configs/ss_trainval.json

python tools/data/dota/split/img_split.py --base-json \\
  tools/data/dota/split/split_configs/ss_test.json

如果想要获得多尺度数据集：

python tools/data/dota/split/img_split.py --base-json \\
  tools/data/dota/split/split_configs/ms_trainval.json

python tools/data/dota/split/img_split.py --base-json \\
  tools/data/dota/split/split_configs/ms_test.json

四、测试模型

# single-gpu
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [optional arguments]

# multi-gpu
./tools/dist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [optional arguments]

# multi-node in slurm environment
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [optional arguments] --launcher slurm

举例：

# 单GPU
python ./tools/test.py  \\
  configs/rotated_retinanet/rotated_retinanet_obb_r50_fpn_1x_dota_le90.py \\
  checkpoints/SOME_CHECKPOINT.pth --format-only \\
  --eval-options submission_dir=work_dirs/Task1_results
# 单节点多GPU,指定GPU的数目为1
./tools/dist_test.sh  \\
  configs/rotated_retinanet/rotated_retinanet_obb_r50_fpn_1x_dota_le90.py \\
  checkpoints/SOME_CHECKPOINT.pth 1 --format-only \\
  --eval-options submission_dir=work_dirs/Task1_results

评估测试精度：

# 单GPU
python ./tools/test.py \\
  configs/rotated_retinanet/rotated_retinanet_obb_r50_fpn_1x_dota_le90.py \\
  checkpoints/SOME_CHECKPOINT.pth --eval mAP
# 单节点多GPU,指定GPU的数目为1
./tools/dist_test.sh  \\
  configs/rotated_retinanet/rotated_retinanet_obb_r50_fpn_1x_dota_le90.py \\
  checkpoints/SOME_CHECKPOINT.pth 1 --eval mAP

结果可视化：

python ./tools/test.py \\
  configs/rotated_retinanet/rotated_retinanet_obb_r50_fpn_1x_dota_le90.py \\
  checkpoints/SOME_CHECKPOINT.pth \\
  --show-dir work_dirs/vis

五、训练模型

# 单GPU，如果要在命令中指定工作目录，可以添加参数。--work_dir ${YOUR_WORK_DIR}
python tools/train.py ${CONFIG_FILE} [optional arguments]

# 单节点多GPU
./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]

可选参数是：
--no-validate（不建议）：默认情况下，代码库将在训练期间执行评估。要禁用此行为，请使用--no-validate.
--work-dir ${WORK_DIR}：覆盖配置文件中指定的工作目录。
--resume-from ${CHECKPOINT_FILE}：从以前的检查点文件恢复。
resume-from和之间的区别load-from： resume-from同时加载模型权重和优化器状态，epoch 也是从指定的检查点继承而来的。它通常用于恢复意外中断的训练过程。 load-from只加载模型权重，训练epoch从0开始。通常用于finetuning。