DOTA数据集 | retinanet 实验记录（COCO数据格式）
retinanet 实验记录
- 源码链接
- 运行环境
- 需要下载文件
- 训练步骤
- 实验输出（以下贴出部分map）
- 预测各个类别的map
源码链接
https://github.com/fizyr/keras-retinanet
运行环境
- Ubuntu16.04
- python3.6.5
- CUDA 10.2 ( NVIDIA-SMI 440.33.01 Driver Version: 440.33.01 )
需要下载文件
- 预训练模型： https://github.com/fizyr/keras-retinanet/releases
训练步骤
- 下载该仓库：
https://github.com/fizyr/keras-retinanet.git - 数据格式是coco，按照标准的coco格式放置数据即可。
训练命令：
# Running directly from the repository:
keras_retinanet/bin/train.py coco /path/to/MS/COCO# Using the installed script:
retinanet-train coco /path/to/MS/COCO
python train.py coco /home/xxx/DOTA/DOTA_clip_coco_600/DOTA_clip_coco_600
/path/to/MS/COCO：输入你的coco数据存放的位置。下面的命令没有试过，有需要的朋友可以自己实践一下。
PS：得到训练模型，想要用模型来评估就需要把模型转换一下。
转换模型：
python convert_model.py ./snapshots/resnet50_coco_06.h5 ./models/resnet50_coco_06.h5
评估命令：
python evaluate.py --image-min-side=600 --image-max-side=600 coco /home/xxx/DOTA/DOTA_clip_coco_600/DOTA_clip_coco_600/ ./models/resnet50_coco_06.h5
运行作者给出的预训练模型命令：
首先把从release下载模型，把模型放在snapshots里，运行下面的代码就🆗了。
python train.py --weights ~/keras-retinanet/snapshots/resnet50_coco_best_v2.0.1.h5 coco /home/xxx/DOTA/DOTA_clip_coco_600/DOTA_clip_coco_600
实验输出（以下贴出部分map）
预测各个类别的map
在./keras_retinanet/callbacks/coco.py 中加入下面这个函数即可。参考博客
def _print_detection_eval_metrics(self, coco_eval):IoU_lo_thresh = 0.5IoU_hi_thresh = 0.95def _get_thr_ind(coco_eval, thr):ind = np.where((coco_eval.params.iouThrs > thr - 1e-5) &(coco_eval.params.iouThrs < thr + 1e-5))[0][0]iou_thr = coco_eval.params.iouThrs[ind]assert np.isclose(iou_thr, thr)return indind_lo = _get_thr_ind(coco_eval, IoU_lo_thresh)ind_hi = _get_thr_ind(coco_eval, IoU_hi_thresh)# precision has dims (iou, recall, cls, area range, max dets)# area range index 0: all area ranges# max dets index 2: 100 per imageprecision = \coco_eval.eval['precision'][ind_lo:(ind_hi + 1), :, :, 0, 2]ap_default = np.mean(precision[precision > -1])print(('~~~~ Mean and per-category AP @ IoU=[{:.2f},{:.2f}] ''~~~~').format(IoU_lo_thresh, IoU_hi_thresh))# print("")print('MAP:{:.1f}'.format(100 * ap_default))for cls_ind, cls in enumerate(self._classes):if cls == '__background__':continue# minus 1 because of __background__# cat_name = db.class_name(cls_ind)# print(cat_name)cat_name = self.class_name(cls)# print(cat_name+":")precision = coco_eval.eval['precision'][ind_lo:(ind_hi + 1), :, cls_ind, 0, 2]ap = np.mean(precision[precision > -1])print(cat_name+':{:.1f}'.format(100 * ap))
并在./keras-retinanet/keras_retinanet/utils/coco_eval.py中coco_eval.accumulate()下面加入：
coco_eval._print_detection_eval_metrics(coco_eval)
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！