HuKai97 / DCIC22-SAR-ship-detection

DCIC22数字**22-海上船舶智能检测方案

2022数字**算法赛题 【卫星应用赛题：海上船舶智能检测】赛题方案

队伍名称：default(鹰眼)

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/user_data/work_dirs
• 运行 run.sh 一键推理命令
• 推理过程中会使用 /data/user_data/work_dirs 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/user_data/pretrained目录下，最终 data/user_data/pretrained 目录下应该有2个.pth后缀的预训练模型文件：
  • cascade_mask_rcnn_convnext_base_22k_3x.pth
  • cascade_mask_rcnn_swin_small_patch4_window7.pth
• 运行 train.sh 一键训练命令

6. Author

rill: [e-mail]