batman-do / Detect-Gun-and-Knife

Object detection

Detect Gun and Knife

• Short gun
• Long gun
• Knife

Prepare dataset

• Chuyển dataset từ định xml sang dạng json (coco)
• File dataset/gun/annotations chứa 2 file train and val
• File label.txt chứa chứa 3 đối tượng : short_gun, long_gun, knife

  python voc_to_coco.py --ann_paths_list train.txt --label label.txt --output dataset/gun/annotations/instances_train.json --ext xml
  
  python voc_to_coco.py --ann_paths_list test.txt --label label.txt --output dataset/gun/annotations/instances_test.json --ext xml

Data

 dataset
  └─gun
    ├─annotations # instances_train.json,instances_test.json
    ├─train   # train images
    └─test   # val images
  

Cust

• Chỉnh sửa file efficientdet/config.py

COCO_CLASSES = ["short_gun","long_gun","knife"]

• Chỉnh sửa file efficient_test.py

obj_list = ["short_gun","long_gun","knife"]
compound_coef = 2 # Do sử dụng efficientdet-d2

• Có thể chỉnh sửa các thông số default trong file train hoặc có không cần khi mình train có thể tự chỉnh bằng câu lệnh

• Khởi tạo file gun_knife.yml

project_name: gun  # also the folder name of the dataset that under data_path folder
train_set: train
val_set: test
num_gpus: 2 (có 2 con gpu)

# mean and std in RGB order, actually this part should remain unchanged as long as your dataset is similar to coco.
mean: [0.485, 0.456, 0.406]
std: [0.229, 0.224, 0.225]

# this is coco anchors, change it if necessary
anchors_scales: '[2 ** 0, 2 ** (1.0 / 3.0), 2 ** (2.0 / 3.0)]'
anchors_ratios: '[(1.0, 1.0), (1.4, 0.7), (0.7, 1.4)]'

Train

  python train.py -c 2 -p gun_knife --batch_size 16 --lr 1e-3 --num_epochs 500 --load_weights efficientdet-d2.pth --head_only True

• Có thể tự chỉnh được epochs ,.... nhưng ở đây dài quá nên chỉnh luôn trong file train để default
• Khi trên sẽ tạo ra file logs lưu loss và weights của model,có thể biểu diễn loss (sử dụng tesorboradX)

Evaluate model

python coco_eval.py -p gun_knife -c 2 -w path_weights_model logs/gun/efficientdet-d2_.....pth

Test

• Điều chỉnh lại trong file test để chỉ đúng folder test

python efficientdet_test.py