复现tph-yolov5

复现tph-yolov5

文章：TPH-YOLOv5: Improved YOLOv5 based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios

基本情况看github运行步骤按照步骤开始 *** 作：

Install（安装）Convert labels（转换标签）Inference EnsembleTrain运行注意事项
Object Detection on Drone-captured Scenarios)

基本情况

大四寒假，第三篇复现的论文。环境是从autodl租的3090，跑完这个程序大概23小时，费用56元。（不包含调参数的时间）（autodl调参数可以用无GPU模式，一小时一毛）

看github运行步骤

先阅读github提供的运行步骤：
https://github.com/cv516Buaa/tph-yolov5

按照步骤开始 *** 作： Install（安装）

$ git clone https://github.com/cv516Buaa/tph-yolov5
$ cd tph-yolov5
$ pip install -r requirements.txt

Convert labels（转换标签）

VisDrone2YOLO_lable.py transfer VisDrone annotiations to yolo labels.
You should set the path of VisDrone dataset in VisDrone2YOLO_lable.py first.

$ python VisDrone2YOLO_lable.py
（这个语句的意思是把VisDrone数据集的标签形式转换成yolo的标签形式，VisDrone的标签在annotation文件夹中，转换后的文件夹是labels）
这个文件中的地址要进行修改的，分别在train、test、val三个地址对应的目录下都运行一遍，最后分别在train、test、val生成三个labels文件夹，就完成了这一步

Inference

Datasets : VisDrone
Weights (PyTorch v1.10):
yolov5l-xs-1.pt: | Baidu Drive(pw: vibe). | Google Drive |
yolov5l-xs-2.pt: | Baidu Drive(pw: vffz). | Google Drive |
val.py runs inference on VisDrone2019-DET-val, using weights trained with TPH-YOLOv5.
(We provide two weights trained by two different models based on YOLOv5l.)

$ python val.py --weights ./weights/yolov5l-xs-1.pt --img 1996 --data ./data/VisDrone.yaml --augment --save-txt --save-conf --task val --batch-size 8 --verbose --name v5l-xs

或者
$ python val.py --weights ./weights/yolov5l-xs-2.pt --img 1996 --data ./data/VisDrone.yaml --augment --save-txt --save-conf --task val --batch-size 8 --verbose --name v5l-xs

因为她提供了两个模型，都可以测试一下

Ensemble

If you inference dataset with different models, then you can ensemble the result by weighted boxes fusion using wbf.py.
You should set img path and txt path in wbf.py.

$ python wbf.py

Train

train.py allows you to train new model from strach.

$ python train.py --img 1536 --adam --batch 4 --epochs 80 --data ./data/VisDrone.yaml --weights yolov5l.pt --hy data/hyps/hyp.VisDrone.yaml --cfg models/yolov5l-xs-tph.yaml --name v5l-xs-tph

我用的24G显存的3090训练的刚好占用22.4G显存，如果显卡显存太小，可以调batch为2或者1，这样时间可能会翻倍，但是不会出现 cuda out of memery

运行注意事项

因为这个程序按照我的3090来运行，用时23小时，中途如果网络断了，那么远程连接的GPU服务器的python就会自动停止，这里我用了nohup来挂起python程序，输出log，语句：
nohup python -u train.py --img 1536 --adam --batch 4 --epochs 80 --data ./data/VisDrone.yaml --weights yolov5l.pt --hy data/hyps/hyp.VisDrone.yaml --cfg models/yolov5l-xs-tph.yaml --name v5l-xs-tph >yolov5.log 2>&1 &

train.py是你的程序 加粗部分是整体，
yolov5.log是你挂起后输出log的文件名
别的暂时不用管

也可以在语句最后加入shutdown运行自动关机功能（我没用），这样省钱，或者你人工盯着log看（我就是这么做的）

最后，目标检测方向，暂时 遥感领域+transformer，欢迎交流