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