maskrcnn

系统环境

硬件环境

2080Ti
i7-6800K
RAM >=32G（训练实机128G）

注意： 这是实际在本地训练的硬件配置，不是强制要求硬件配置

软件环境

cuda 10.1.105
cudnn 7.5
Pytorch 最新测试预览版本 (注意：既不是1.0正式版也不是1.0.1正式版，最新的预览版本安装见链接)
Anaconda 5.0.1| Python 3.6.3

注意： 除了Pytorch版本之外，其他的软件版本不是强制要求，只要能成功编译安装maskrcnn-benchmark即可。

安装教程

本项目基于facebook开源的maskrcnn-benchmark进行修改拓展，安装教程见官方安装指导INSTALL.md。

注：安装过后激活虚拟环境命令，官方教程中用的conda activate maskrcnn_benchmark可能会报错

如遇错，改成source activate maskrcnn_benchmark即可

复现过程

1.数据准备

把比赛所有数据压缩包批量下载并解压放到data目录下。data目录结构如下（labels中有我们自己随机生成981张normal图片信息的json文件）：

|–data
    |-- First_round_data
        |-- jinnan2_round1_train_20190305.zip  # 需解压
        |-- jinnan2_round1_test_a_20190305.zip  # 需解压
        |-- jinnan2_round1_test_b_20190326.zip  # 需解压
        |-- labels

如果用我们预训练模型复现的话，先下载预训练模型，提取码xjcv，然后把model_final.pth放到code目录下，直接执行python project/code/demo/get_submit.py即可。

基于maskrcnn制作自己数据集的教程见code/mask_rcnn_pytorch自定义数据集.md，这部分无须重复制作，我们已经把这部分嵌入代码工程中。

我们测试时发现基于resnet50的retinanet效果最好，在3月26日更换的第二批测试数据集中，分数达到0.4168。

2.训练复现

训练的时候，第一阶段先用imagenet预训模型训到36000 step，这个阶段不用normal类型图像数据。第一阶段训练结束后，增加981张normal的图像数据后，再加载训练后的模型训练到54000 step。注：这里只加了981张normal的图像数据是因为训练集中restrict类型图像也有981张。

首先执行：

python project/code/tools/train_net.py --config-file code/configs/retinanet/retinanet_R-101-FPN_1x.yaml

上面命令是先用imagenet预训模型训到36000 step。

然后执行：

python project/code/tools/train_net.py --config-file code/configs/retinanet/retinanet_R-101-FPN_2x.yaml

上面命令加了981张normal的数据后，再加载训练后的模型训练到54000 step。

详细参数细节可以见两个yaml配置文件。

3.生成提交结果

执行python project/code/demo/get_submit.py即可。

如果按前面的步骤放置test集和权重文件，直接执行以下命令：

python  project/code/demo/get_submit.py

运行完毕后可以在project/submit路径下找到需要的提交文件result_submit_b.json

注：如果需要自己指定训练模型和测试图像数据的加载路径，需要修改一些参数

1、先修改 project/code/configs/retinanet/retinanet_R-101-FPN_2x.yaml中的WEIGHT字段为你指定的路径

2、再修改 project/code/demo/get_submit.py中的config_file、infer_path和det_path变量

其中：config_file是配置文件，infer_path是WEIGHT路径，det_path是生成提交json结果的路径。

3、最后执行python project/code/demo/get_submit.py，即可在project/submit文件夹中得到提交结果。

qixuxiang / maskrcnn_tianchi_stage1