Data

Tools

Indexes

Applications

Experiments

Open Source Science

dcic22-sar-ship-detection

DCIC22数字中国22-海上船舶智能检测第二名方案

https://github.com/zhengye1995/dcic22-sar-ship-detection

Science Score: 44.0%

This score indicates how likely this project is to be science-related based on various indicators:

  • ✓
    CITATION.cff file
    Found CITATION.cff file
  • ✓
    codemeta.json file
    Found codemeta.json file
  • ✓
    .zenodo.json file
    Found .zenodo.json file
  • ○
    DOI references
  • ○
    Academic publication links
  • ○
    Academic email domains
  • ○
    Institutional organization owner
  • ○
    JOSS paper metadata
  • ○
    Scientific vocabulary similarity
    Low similarity (2.9%) to scientific vocabulary
Last synced: 10 months ago · JSON representation ·

Repository

DCIC22数字中国22-海上船舶智能检测第二名方案

Basic Info
  • Host: GitHub
  • Owner: zhengye1995
  • License: apache-2.0
  • Language: Python
  • Default Branch: main
  • Homepage:
  • Size: 3 MB
Statistics
  • Stars: 37
  • Watchers: 1
  • Forks: 5
  • Open Issues: 2
  • Releases: 0
Created about 4 years ago · Last pushed almost 4 years ago
Metadata Files
Readme Contributing License Code of conduct Citation

README.md

2022数字中国算法赛题 【卫星应用赛题：海上船舶智能检测】第二名 方案

队伍名称：default(鹰眼) Rank2

testA: 0.9707 testB: 0.9712

1. 解题方案整体思路：

  • Detector:
    • Backbone: Cascade + Convnvext or Swin Transformer
    • RCNN Head:
      • box head:
        • 4Conv+1FC
        • GIou Loss
    • Post-process: nms + min-max-score filter
  • Data augmentation:
    • custom mosaic （close in final phase）
    • multi-scale training and testing
    • all other methods such as flip/rotation are not work
  • Model ensemble:
    • wbf (提升很小，单模已经97+)

2. 运行环境

  • 系统 ubuntu 18
  • python3.7 或 3.8
  • torch 1.8 或者 1.7.1
  • cuda 11.1
  • cudnn 8
  • GPU： 2080Ti x 4
  • 特殊依赖：
    • mmcv-full=1.4.0

3. 文件目录说明

进行训练测试时需要的具体的文件如下： 训练好的模型文件可以从百度网盘下载 |-- user_data |-- work_dirs/ 包含3个训练好的模型的模型文件 |-- annotations 包含推理或者训练过程中转换的coco格式文件，其中文件代码自动生成 |-- pretrained 包含模型训练需要的公开的coco预训练模型，由于模型体积大，这里只给出了开源github的下载链接(来自convnext和swin官方)，需要下载后放在此目录下 |-- 剩余文件夹均为训练或者预测过程中的中间文件 |-- prediction_result |-- result.json 按照比赛提交格式生成的提交文件 |-- code |-- 代码，包括训练和测试全部的代码 |-- 其中 run.sh 为一键推理命令， train.sh 为一键训练命令 |-- raw_data |-- 比赛的数据集文件（官网数据下载解压后的格式, 需要将官方数据放置在这里）： |-- 训练数据目录：/data/raw_data/training_dataset/A/ |-- 测试数据目录：/data/raw_data/test_dataset/测试集/

4. 推理得到B榜提交结果的运行说明

  • 按照上述过程下载3个模型文件并放置于/data/userdata/workdirs
  • 运行 run.sh 一键推理命令
  • 推理过程中会使用 /data/userdata/workdirs 目录下的训练好的模型文件

5. 模型训练的运行说明

  • 首先根据data/user_data/pretrained 目录下给出的下载地址文件，下载两个开源预训练模型
  • 下载上述3个预训练模型后，放置在data/userdata/pretrained目录下，最终 data/userdata/pretrained 目录下应该有2个.pth后缀的预训练模型文件：
    • cascademaskrcnnconvnextbase22k3x.pth
    • cascademaskrcnnswinsmallpatch4window7.pth
  • 运行 train.sh 一键训练命令

6. Author

rill: 18813124313@163.com

Owner

  • Name: zhengye
  • Login: zhengye1995
  • Kind: user
  • Location: Beijing
  • Company: ICT&UCAS

CS Phd

Citation (CITATION.cff) 

cff-version: 1.2.0
message: "If you use this software, please cite it as below."
authors:
  - name: "MMDetection Contributors"
title: "OpenMMLab Detection Toolbox and Benchmark"
date-released: 2018-08-22
url: "https://github.com/open-mmlab/mmdetection"
license: Apache-2.0

GitHub Events

Total
  • Issues event: 1
  • Watch event: 6
  • Fork event: 2
Last Year
  • Issues event: 1
  • Watch event: 6
  • Fork event: 2