赛题介绍
第三届华为云无人车挑战杯复赛Top1方案分享。本届无人车挑战杯大赛主要考核点有交通信号灯识别、车道线检测、斑马线检测、限速标志识别、施工标志识别、障碍物检测等，其中交通信号灯、斑马线、限速标志检测算法需要基于AI开发平台ModelArts开发。训练数据集包含红灯、绿灯、黄灯、人行横道、限速标志、解除限速标志六种类型图片，需使用ModelArts数据管理模块完成以上六种检测目标的标注。参赛者需基于MindSpore框架（使用其他框架提交的作品无效）建立目标检测模型
解决方案及算法介绍
- 数据集: 初赛数据和复赛数据
- 数据增强：albu和imagecorruptions
- 后处理： tta+wbf, 使用wbf进行多尺度集成，wbf应该是目前性能最好后处理方法，优于nms, soft-nms, nmw
- 检测模型：YoloV4, 在本次比赛中我们集成了两个yolov4模型，模型一使用albu增广，模型二使用albu+imagecorruptions增广，可以提升方案的鲁棒性。和只使用模型一相比，堆叠模型二后可以带来2个点左右的涨点
感谢以上作者的开源工作！！！
环境配置
环境依赖
- cuda 10.1
- cudnn 7.6.4
- gcc 7.3.0
- python 3.7
- mindspore 1.3.0
训练设备
4张1080ti，batch_size(6x4)
模型训练复现流程
数据集准备
训练集标签放在data/annotations_xml下，训练集图片放在data/train下
将voc格式的标签转为coco格式
mkdir -p data/annotations
python pascal2coco.py
预训练模型下载
coco预训练模型下载完后放在weights文件夹下面
模型训练
sh train.sh
生成的模型在weights文件夹下
模型推理
测试图片放在samples文件夹下，推理结果在outputs文件夹下，该脚本可以本地运行，也可以直接用于部署Modelarts在线服务和批量服务
python customize_service.py