手把手教学基于深度学习的遥感影像倾斜框算法训练与分析
以 DOTA 遥感影像数据集为例,选用 R3DET 算法为例子
基本修改
下载源码:github:https://github.com/Thinklab-SJTU/R3Det_Tensorflow
git clone https://github.com/Thinklab-SJTU/R3Det_Tensorflow.git
根据他的 readme 可以很快的运行成功例如:
先下载预训练权重,推荐下载 resnet101(见 readme)
然后编译源码:建议在 ubuntu 做,若是没有环境,那就在阿里云上走,那里可以直接做,环境搭好了,见此篇文章:https://mp.weixin.qq.com/s/8AO0QeLoSmDmD8zHyMWBZQ
cd $PATHROOT/libs/boxutils/cython_utils
python setup.py build_ext --inplace (or make)
cd $PATHROOT/libs/boxutils/
python setup.py build_ext --inplace
编译成功就开始制作数据:
修改一下相对路径和配置
(1) Modify parameters (such as CLASSNUM, DATASETNAME, VERSION, etc.) in $PATH_ROOT/libs/configs/cfgs.py
(2) Add category information in $PATHROOT/libs/labelname_dict/label_dict.py
(3) Add dataname to $PATHROOT/data/io/readtfrecordmulti_gpu.py
第一句话说,修改 cfg.py 中的类别数目,netname 改成你的 resnetv1_101
SAVEWEIGHTSINTE 是保存次数,改成 10000,代表跑 10000 次就保存参数,正常需要跑 10w 次以上
模型需要 9GB 显存,不足的可以到阿里云服务器。
把那个 gpu 启动改一下,改成单卡:
GPU_GROUP = "0"
NUM_GPU = 0
第二句话说修改 label_dict.py 就是把你的 label 名字改掉(他原本是 DOTA 的数据),如果你的数据与 DOTA 类似,那么可以改 86 那一串为:
elif cfgs.DATASET_NAME.startswith('DOTA'):
NAMELABELMAP = {
'0': 0,
'1': 1,
'2': 2,
'3': 3,
'4': 4,
'5': 5
}
类别(左边)+类别号(右边)
第三句话说:readtfrecordmulti_gpu.py 中添加名字,这里如果你与 DOTA 一致,就不用改。
制作数据
请注意,这是一个数据集切割代码,因为原数据尺寸过大,使用这个之前:
你的数据路径,与保存结果数据路径建议写绝对路径,前三行要能找到你的数据集,最后一行是保存路径,建议后者与我一致。220 多行,将你的数据路径写好(建议写绝对路径,因为源码路径有些混);
以及将需要的 tif 格式是否改成 jpg,需要你决定。
rawdata = r'D:\Rocket Army\RocketFour\R3Det_Tensorflow-master\data\yangxue\dataset\DOTA\trainval/'
rawimagesdir = os.path.join(raw_data, 'images', 'images')
rawlabeldir = os.path.join(raw_data, 'labelTxt', 'labelTxt')
savedir = r'D:\Rocket Army\RocketFour\R3Det_Tensorflow-master\data\yangxue\dataset\DOTA\DOTA1.0\trainval/'
将 data/io/data_crop .py 改一下:
class_list 改成你的类别例如:
class_list = ['0', '1', '2', '3', '4', '5']
另外我 data 下的文件路径与源码一致,可能还有验证集和测试集。
cd $PATH_ROOT/data/io/DOTA
python data_crop.py
通过你数据和 xml,转换成 tf_record
cd $PATH_ROOT/data/io/
python convertdatato_tfrecord.py
在代码中顶部修改一下:VOCdata 的绝对路径。
tf.app.flags.DEFINEstring('VOCdir', 'D:\Rocket Army\RocketFour\R3DetTensorflow-master\data/yangxue/dataset/DOTA/DOTA1.0/trainval', 'Voc dir')
tf.app.flags.DEFINEstring('xmldir', 'labeltxt', 'xml dir')
tf.app.flags.DEFINEstring('imagedir', 'images', 'image dir')
tf.app.flags.DEFINEstring('savename', 'train', 'save name')
tf.app.flags.DEFINEstring('savedir', '../tfrecord/', 'save name')
tf.app.flags.DEFINEstring('imgformat', '.png', 'format of image')
tf.app.flags.DEFINE_string('dataset', 'DOTA', 'dataset')
然后会生成上百 mb 甚至几 G 的 tfrecord。
你有了这个,就可以不需要 jpg,xml 了,数据和标签已经存在了 tfrecord 中。
开始训练
建议在 327 行加个异常处理。我偶然会训练了很久报错,不过可能是我个人原因导致的。
, globalstepnp = sess.run([trainop, globalstep])
在这异常处理,包围这一行。然后建议在终端运行,我在 notebook 的 IDE 上显示不太好,终端完美运行。
检测
cd $PATH_ROOT/tools
python testdotar3detms.py --testdir='/PATH/TO/IMAGES/'
--gpus=0,1,2,3,4,5,6,7
-ms (multi-scale testing, optional)
-s (visualization, optional)
以 DOTA 数据为演示:
原图:仔细看左上角
版权声明: 本文为 InfoQ 作者【cv君】的原创文章。
原文链接:【http://xie.infoq.cn/article/eb0b8318ba58645d0dab9c135】。文章转载请联系作者。
评论