环境配置

``` conda create -n yolo-sar python=3.11 -y conda activate yolo-sar

这里我使用的是CUDA 11.8的环境，请根据CUDA版本选择对应的安装命令

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install PyWavelets git clone https://github.com/Ashes-of-Midgard/yolo-sar.git cd yolo-sar pip install -e . -v ```

任务：目标检测

数据集和预训练权重

数据集从百度云盘下载，格式都经过处理

放置在 |- yolo-sar |- datasets |- OGSOD_yolo |- SAR_AIRcraft_yolo |- SSDD_yolo |- SARdet_100K_yolo

下载链接： 1. OGSODyolo: https://pan.baidu.com/s/1xnEms0zsWt96TuVukf2sqg?pwd=ptk3 提取码: ptk3 2. SARAIRcraftyolo: https://pan.baidu.com/s/1bpNylbInJDFTYSefxuaKCg?pwd=8gmg 提取码: 8gmg 3. SSDDyolo: https://pan.baidu.com/s/1j115aAKD3hWvdauUNn36eQ?pwd=erhv 提取码: erhv 4. SARdet100Kyolo: https://pan.baidu.com/s/1aDSrNrQObyivGN0y-bWYIw?pwd=61ew 提取码: 61ew

训练过程中会自动下载yolo12m和yolo11n预训练权重，如果网络不畅，没法自动下载，请从此处下载: https://pan.baidu.com/s/1hDinFXOZOVSZvCmrwUigqg?pwd=apbn 提取码: apbn 并且放置在和train_det.py同一级目录下

要选择哪一个数据集进行训练，只需要找到对应数据集目录下面的dataset.yaml文件，复制该文件的路径替代掉train_det.py当中的 results = model.train(data="datasets/OGSOD_yolo/dataset.yaml", epochs=100) 还需要修改dataset.yaml当中的path:，将其修改为数据集所在的路径。

训练

我们先用yolo12m作为基准模型，后续根据比赛具体评测设备调整。在OGSODyolo上微调100轮来评估各个模块是否有效，等实验出有效的模块以后再换到SARdet100K_yolo进行完整的训练。

python train_det.py

如果只评测不训练，就把代码当中的 results = model.train(data="datasets/OGSOD_yolo/dataset.yaml", epochs=100) 注释掉。

任务：旋转检测

数据集

数据集从百度云盘下载，格式都经过处理

放置在 |- yolo-sar |- datasets |- RSDD-SAR-yolo |- SRSDD-V1.0-yolo |- RSAR-yolo

下载链接： 1. RSDD-SAR-yolo: https://pan.baidu.com/s/1DqLk3aTWkHrSQ2RawTmvow?pwd=5ppc 提取码: 5ppc 2. SRSDD-V1.0-yolo: https://pan.baidu.com/s/1gR8gVsDCqDjORE8S3VKkow?pwd=4w8i 提取码:4w8i 3. RSAR-yolo:

训练过程中会自动下载yolo12m和yolo11n预训练权重，如果网络不畅，没法自动下载，请从此处下载: https://pan.baidu.com/s/1hDinFXOZOVSZvCmrwUigqg?pwd=apbn 提取码: apbn 并且放置在和train_obb.py同一级目录下

要选择哪一个数据集进行训练，只需要找到对应数据集目录下面的dataset.yaml文件，复制该文件的路径替代掉train_obb.py当中的 results = model.train(data="datasets/SRSDD-V1.0-yolo/dataset.yaml", epochs=100) 还需要修改dataset.yaml当中的path:，将其修改为数据集所在的路径。

训练

我们先用yolo12n-obb作为基准模型，后续根据比赛具体评测设备调整。在SRSDD-V1.0-yolo上训练100轮来评估各个模块是否有效，等实验出有效的模块以后再换到RSAR-yolo进行完整的训练。

python train_obb.py

如果只评测不训练，就把代码当中的 results = model.train(data="datasets/SRSDD-V1.0-yolo/dataset.yaml", epochs=100) 注释掉。

怎样修改代码

!!! 修改代码之前看这里 !!!

新增简单模块

如果新增的模块是即插即用类型的：即不需要模型使用特殊的训练流程（比如对抗学习），在训练和推理时模块的工作方式都一样，那么就可以通过配置文件添加到模型当中。

ultralytics库管理模型结构的工具是.yaml扩展名的配置文件。比如说文件ultralytics/cfg/models/12/yolo12.yaml记录了yolo12模型的结构。 ```yaml

YOLO12n backbone

backbone: # [from, repeats, module, args] - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 2, C3k2, [256, False, 0.25]] - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 - [-1, 2, C3k2, [512, False, 0.25]] - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 - [-1, 4, A2C2f, [512, True, 4]] - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 - [-1, 4, A2C2f, [1024, True, 1]] # 8

YOLO12n head

head: - [-1, 1, nn.Upsample, [None, 2, "nearest"]] - [[-1, 6], 1, Concat, [1]] # cat backbone P4 - [-1, 2, A2C2f, [512, False, -1]] # 11

• [-1, 1, nn.Upsample, [None, 2, "nearest"]]
• [[-1, 4], 1, Concat, [1]] # cat backbone P3

• [-1, 2, A2C2f, [256, False, -1]] # 14

• [-1, 1, Conv, [256, 3, 2]]

• [[-1, 11], 1, Concat, [1]] # cat head P4

• [-1, 2, A2C2f, [512, False, -1]] # 17

• [-1, 1, Conv, [512, 3, 2]]

• [[-1, 8], 1, Concat, [1]] # cat head P5

• [-1, 2, C3k2, [1024, True]] # 20 (P5/32-large)

• [[14, 17, 20], 1, Detect, [nc]] # Detect(P3, P4, P5) ```

其中每一行从左往右的内容依次表示： 1. 该层网络接收哪几层网络输出的结果作为输入。-1表示该层网络的前一层网络。如果是列表，则表示该层网络接收不止一个网络层的输出。网络的序号从第一行开始往下依次计数，起点是0. 2. 该层网络内部的基础模块数量。部分网络模块内部是由多个相同的子模块依次串联形成的，该参数指明了其内部子模块串联的数量。 3. 该层网络的类型。在初始化模型时，会根据这个字符串查找库当中对应的类型，并实例化。 4. 其他参数。这是一个列表，包含该层网络初始化过程中所需的其他参数。

要实现并插入新的模块，可以在目录ultralytics/nn/modules任意合适的位置定义模块类型，然后在ultralytics/nn/modules/__init__.py当中导入定义的新模块类型。最后在ultralytics/nn/tasks.py当中的函数parse_model里，增加解析新模块类型参数的方式。例如： ```python def parse_model(d, ch, verbose=True):

...

for i, (f, n, m, args) in enumerate(d["backbone"] + d["head"]):
    m = (
        getattr(torch.nn, m[3:])
        if "nn." in m
        else getattr(__import__("torchvision").ops, m[16:])
        if "torchvision.ops." in m
        else globals()[m]
    )  # get module
    for j, a in enumerate(args):
        if isinstance(a, str):
            with contextlib.suppress(ValueError):
                args[j] = locals()[a] if a in locals() else ast.literal_eval(a)
    n = n_ = max(round(n * depth), 1) if n > 1 else n  # depth gain

    ...

    elif m is MyModule:
        # 在这里增加解析配置文件里参数并初始化MyModule实例的代码

要启用该模块，就在配置文件的正确位置写入该模块，将这个配置文件保存至指定的位置(推荐保存至ultralytics/cfg/models/12/)，命名方式推荐为"yolo12(-任务名)-自定义后缀.yaml"，如果是水平框检测模型，不需要指定任务名，但如果是旋转检测模型，需要指定任务名为"obb". 然后在traindet.py或trainobb.py当中读取该配置文件进行模型初始化，如： python model = YOLO("yolo12m-custom.yaml") ``` 按照推荐方式存储和命名配置文件后，库函数能够自动解析跟随在yolo12后面的模型尺寸参数"n,s,m,l,x".

修改模型

有些模块与模型耦合程度比较高，它可能需要在训练和推理阶段分别执行不同的功能，这种情况下就需要对YOLO模型本身进行修改。

在yolo-sar/ultralytics/nn/tasks.py里面，继承DetectionModel，实现自定义的检测模型。重点修改它的_pred_once和forward函数，可以参考DetectionModelSep的实现方式。

现在假设你已经实现了MyDetectionModel子类。在ultralytics/models/yolo/model.py当中，继承YOLO类型，定义一个新的模型类型，记为MyYOLO。复制YOLO当中的task_map函数，修改返回字典的detect.model字段的值为MyDetectionModel（需要提前在文件头部导入），如下所示： python class MyYOLO(YOLO): @property def task_map(self): return { ... "detect": { "model": MyDetectionModel, "trainer": yolo.detect.DetectionTrainer, "validator": yolo.detect.DetectionValidator, "predictor": yolo.detect.DetectionPredictor, }, ... }

最后，在训练时，如果要启用自定义的模型，则使用下述语句初始化模型 python # model = YOLO("yolo12m.yaml") model = MyYOLO("yolo12m.yaml")

改变训练流程

想要改变训练流程，比如说增加对抗训练方式，请看下面的指南。

ultralytics库的训练流程是通过Trainer类实现的. 基类BaseTrainer定义在ultralytics/engine/trainer.py里。实际进行训练的时候，使用的是其子类DetectionTrainer, ClassificationTrainer, SegmentationTrainer等，我们本次比赛是检测任务，所以只分析DetectionTrainer。DetectionTrainer定义在ultralytics/models/yolo/detect/train.py里面。

对于这部分的改动，建议： 1. 如果是针对检测任务的特殊改动，可以在ultralytics/models/yolo/detect/train.py里面直接继承DetectionTrainer设计新的训练器。

1. 如果是不区分任务类型的改动，比如对抗训练，可以在ultralytics/engine/trainer.py里继承BaseTrainer，设计新的训练器MyTrainer. 然后在ultralytics/models/yolo/detect/train.py里导入并继承MyTrainer，设计MyDetectionTrainer.

改动训练器，关键是修改其_do_train函数，该函数里包括模型前向传播和反向梯度求导更新的代码。

修改完成后，无论是直接继承DetectionTrainer定义子类，还是继承新的训练器CustomTrainer，都应该在ultralytics/models/yolo/detect/train.py里有一个MyDetectionTrainer。将这个子类在文件ultralytics/models/yolo/detect/__init__.py当中导入，并写进列表__ALL__当中。确保可以在yolo-sar/ultralytics/models/yolo/model.py当中导入该类。

在ultralytics/models/yolo/model.py当中，继承YOLO类型，定义一个新的模型类型，记为MyYOLO。复制YOLO当中的task_map函数，修改返回字典的detect.trainer字段的值为MyDetectionTrainer，如下所示： python class MyYOLO(YOLO): @property def task_map(self): return { ... "detect": { "model": DetectionModel, "trainer": yolo.detect.MyDetectionTrainer, "validator": yolo.detect.DetectionValidator, "predictor": yolo.detect.DetectionPredictor, }, ... }

最后，在训练时，如果要启用自定义的训练流程，则使用下述语句初始化模型 python # model = YOLO("yolo12m.yaml") model = MyYOLO("yolo12m.yaml")