Distill_GID_detectron2 项目使用教程

Distill_GID_detectron2 项目使用教程

Distill_GID_detectron2 项目地址: https://gitcode.com/gh_mirrors/di/Distill_GID_detectron2

1. 项目目录结构及介绍

Distill_GID_detectron2/
├── GID/
│   ├── train.sh
│   └── ...
├── RetinaNet_Res50/
│   ├── train.sh
│   ├── eval.sh
│   └── ...
├── RetinaNet_Res101/
│   ├── train.sh
│   ├── eval.sh
│   └── ...
├── dataset/
│   └── coco/
│       └── ...
├── configs/
│   ├── RetinaNet_2x_multi-scale.yaml
│   └── ...
├── tools/
│   └── ...
├── README.md
├── LICENSE
└── .gitignore

目录结构介绍

• GID/: 包含用于训练GID模型的脚本。
• RetinaNet_Res50/ 和 RetinaNet_Res101/: 分别包含用于训练和评估RetinaNet模型的脚本。
• dataset/: 存放数据集的目录，通常包含COCO数据集。
• configs/: 存放配置文件的目录，包含不同模型的配置文件。
• tools/: 包含一些辅助工具和脚本。
• README.md: 项目的介绍和使用说明。
• LICENSE: 项目的开源许可证。
• .gitignore: Git忽略文件配置。

2. 项目启动文件介绍

2.1 训练脚本 (train.sh)

在 GID/、RetinaNet_Res50/ 和 RetinaNet_Res101/ 目录下，都有一个 train.sh 文件，用于启动训练过程。

# 示例命令
CUDA_VISIBLE_DEVICES=0,1 ./train.sh <config_file> <GPU_NUM> [<resume_dir>]

• <config_file>: 配置文件路径，指定训练的参数。
• <GPU_NUM>: 使用的GPU数量。
• <resume_dir>: 可选参数，用于从某个检查点恢复训练。

2.2 评估脚本 (eval.sh)

在 RetinaNet_Res50/ 和 RetinaNet_Res101/ 目录下，都有一个 eval.sh 文件，用于启动评估过程。

# 示例命令
CUDA_VISIBLE_DEVICES=0 ./eval.sh <config_file> <model_weight>

• <config_file>: 配置文件路径，指定评估的参数。
• <model_weight>: 模型权重文件路径。

3. 项目配置文件介绍

3.1 配置文件目录 (configs/)

配置文件存放在 configs/ 目录下，通常以 .yaml 格式保存。

3.2 配置文件示例 (RetinaNet_2x_multi-scale.yaml)

# 示例配置文件内容
model:
  backbone:
    name: "ResNet"
    depth: 50
  neck:
    name: "FPN"
  head:
    name: "RetinaHead"

train:
  batch_size: 16
  learning_rate: 0.001
  epochs: 100

eval:
  batch_size: 8

• model: 定义模型的结构，包括主干网络、颈部网络和头部网络。
• train: 定义训练参数，如批量大小、学习率和训练轮数。
• eval: 定义评估参数，如批量大小。

通过以上配置文件，可以灵活调整模型的结构和训练参数，以适应不同的任务需求。

Distill_GID_detectron2 项目地址: https://gitcode.com/gh_mirrors/di/Distill_GID_detectron2