Kesci 水下目标检测算法赛 underwater object detection algorithm contest Baseline A榜 mAP 48.7

比赛地址：Kesci 水下目标检测

Please refer to the updated repo for URPC 2021!!!

Update 尝试过不work的内容：

• 数据增强
  • 翻转旋转
  • 偏色校准
  • 亮度、对比度增强
  • 各种模糊平滑算子
  • 去雾
  • mixup
  • 引入往年数据
• 模型集成
  • 直接nms
  • 加权nms
  • wbf
• 训练采样
  • 基于数据分布即domain采样
  • OHEM
• 模型部分
  • DCN
  • se154与x101 接近
• 误差分析：从rpn很难收敛及OHEM掉分严重可以分析得出目前预测错误主要来源是：
  • 高分的fp： 相当多一部分是标注漏标错标造成，例如训练集存在相邻帧图片同一目标前一帧标注，后一帧不标情况，例如对于较为模糊的目标是否标注也很不统一
  • 低分的tp： 这一类主要集中在模糊目标上，模型整体对模糊目标预测的score较低，但是数据的标注对于模糊对象标准并不一致
  • 漏检： 少数模糊小目标漏检

Update 更新使用htc预训练的resnext101 64x4d 线上mAP为48.7

整体思路

• detection algorithm: Cascade R-CNN
• backbone: ResNet50 + FPN
• post process: soft nms
• 基于mmdetection, 不是最新版，大家可以自己升级
• res50 和se50 均可以达到线上testA 46-47 mAP, 经过spytensor试验进行模型集成可以达到49+
• resnext101 64x4d 48.7mAP

代码环境及依赖

• OS: Ubuntu16.10
• GPU: 2080Ti * 4
• python: python3.7
• nvidia 依赖:
  • cuda: 10.0.130
  • cudnn: 7.5.1
  • nvidia driver version: 430.14
• deeplearning 框架: pytorch1.1.0
• 其他依赖请参考requirement.txt
• 显卡数量不太重要，大家依据自身显卡数量倍数调整学习率大小即可

训练数据准备

• 相应文件夹创建准备

  • 在代码根目录下新建data文件夹，或者依据自身情况建立软链接

  • 进入data文件夹,创建文件夹:

    annotations

    pretrained

    results

    submit

  • 将官方提供的训练和测试数据解压到data目录中，产生：

    train

    test-A-image

• label文件格式转换

  • 官方提供的是VOC格式的xml类型label文件，个人习惯使用COCO格式用于训练，所以进行格式转换

  • 使用 tools/data_process/xml2coco.py 将label文件转换为COCO格式，新的label文件 train.json 会保存在 data/train/annotations 目录下

  • 为了方便利用mmd多进程测试（速度较快），我们对test数据也生成一个伪标签文件,运行 tools/data_process/generate_test_json.py 生成 testA.json, 伪标签文件会保存在data/train/annotations 目录下

  • 总体运行内容：

    • python tools/data_process/xml2coco.py

    • python tools/data_process/generate_test_json.py

• 预训练模型下载

  • 下载mmdetection官方开源的casacde-rcnn-r50-fpn-2x的COCO预训练模型cascade_rcnn_r50_fpn_20e_20181123-db483a09.pth并放置于 data/pretrained 目录下
  • senet50的预训练详见: mmd-senet, 这里要特别感谢jsonc 大佬提供的预训练模型
  • 下载mmdetection官方开源的htc的resnext 64x4d 预训练模型

依赖安装及编译

• 依赖安装编译

  1. 创建并激活虚拟环境 conda create -n underwater python=3.7 -y conda activate underwater

  2. 安装 pytorch conda install pytorch=1.1.0 torchvision=0.3.0 cudatoolkit=10.0 -c pytorch

  3. 安装其他依赖 pip install cython && pip --no-cache-dir install -r requirements.txt

  4. 编译cuda op等： python setup.py develop

模型训练及预测

• 训练

1. 运行：
    
    r50:
    
	chmod +x tools/dist_train.sh

    ./tools/dist_train.sh configs/underwater/cas_r50/cascade_rcnn_r50_fpn_1x.py 4
    
    se50:
    
	chmod +x tools/dist_train.sh

    ./tools/dist_train.sh configs/underwater/cas_se/cas_se50_12ep.py 4
    
    x101_64x4d (htc pretrained):
    
	chmod +x tools/dist_train.sh

    ./tools/dist_train.sh configs/underwater/cas_x101/cascade_rcnn_x101_64x4d_fpn_1x.py 4
    
    (上面的4是我的gpu数量，请自行修改)

2. 训练过程文件及最终权重文件均保存在config文件中指定的workdir目录中

• 预测

1. 运行:

    r50:

    chmod +x tools/dist_test.sh

    ./tools/dist_test.sh configs/underwater/cas_r50/cascade_rcnn_r50_fpn_1x.py workdirs/cascade_rcnn_r50_fpn_1x/latest.pth 4 --json_out results/cas_r50.json

    (上面的4是我的gpu数量，请自行修改)
    
    se50:

    chmod +x tools/dist_test.sh

    ./tools/dist_test.sh configs/underwater/cas_se/cas_se50_12ep.py workdirs/cas_se50_12ep/latest.pth 4 --json_out results/cas_se50.json

    (上面的4是我的gpu数量，请自行修改)
    
    x101_64x4d (htc pretrained):

    chmod +x tools/dist_test.sh

    ./tools/dist_test.sh configs/underwater/cas_x101/cascade_rcnn_x101_64x4d_fpn_1x.py workdirs/cas_x101_64x4d_fpn_htc_1x/latest.pth 4 --json_out results/cas_x101.json


2. 预测结果文件会保存在 /results 目录下

3. 转化mmd预测结果为提交csv格式文件：
   
   python tools/post_process/json2submit.py --test_json cas_r50.bbox.json --submit_file cas_r50.csv
   
   python tools/post_process/json2submit.py --test_json cas_se50.bbox.json --submit_file cas_se50.csv
   
   python tools/post_process/json2submit.py --test_json cas_x101.bbox.json --submit_file cas_x101.csv

   最终符合官方要求格式的提交文件 cas_r50.csv, cas_se50.csv 和 cas_x101.csv 位于 submit目录下

Contact

author：rill

email：[email protected]