DSL 项目最佳实践指南

DSL 项目最佳实践指南

DSL CVPR2022 paper "Dense Learning based Semi-Supervised Object Detection" 项目地址: https://gitcode.com/gh_mirrors/dsl1/DSL

1. 项目介绍

DSL（Dense Learning based Semi-Supervised Object Detection）是一个基于锚框自由检测器（Anchor-Free detector）的半监督目标检测项目。该项目基于 mmdetection 框架，旨在通过利用少量的标注数据和大量的无标注数据，提高目标检测的准确性和效率。DSL 项目适用于研究目的，对于希望探索半监督学习在计算机视觉领域应用的开发者来说，是一个宝贵的资源。

2. 项目快速启动

环境准备

• Python 3.8 或更高版本
• PyTorch 1.8.0 或更高版本（CUDA 10.2）
• mmcv-full 1.3.10

首先，确保你的环境中已经安装了上述依赖项。

克隆项目

cd ${project_root_dir}
git clone https://github.com/chenbinghui1/DSL.git

创建数据目录

mkdir data
mkdir ori_data

下载 COCO 数据集

cd ori_data/coco
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
wget http://images.cocodataset.org/zips/train2017.zip
wget http://images.cocodataset.org/zips/val2017.zip
wget http://images.cocodataset.org/zips/unlabeled2017.zip
unzip annotations_trainval2017.zip -d .
unzip -q train2017.zip -d .
unzip -q val2017.zip -d .
unzip -q unlabeled2017.zip -d .

转换 COCO 数据集

cd ${project_root_dir}/DSL
python3 tools/coco_convert2_semicoco_json.py --input ${project_root_dir}/ori_data/coco --output ${project_root_dir}/data/semicoco

准备部分标注数据

cd data_list/coco_semi/
python3 prepare_dta.py --percent 10 --root ${project_root_dir}/ori_data/coco --seed 2

训练监督基线模型

cd ${project_root_dir}/DSL
./demo/model_train/baseline_coco.sh

生成无标注图像的初始伪标签

./tools/inference_unlabeled_coco_data.sh

转换伪标签为 DSL 样式的注释

python3 tools/generate_unlabel_annos_coco.py \
--input_path workdir_coco/xx/epoch_xxx.pth-unlabeled.bbox.json \
--input_list data_list/coco_semi/semi_supervised/instances_train2017.${seed}@${percent}-unlabeled.json \
--cat_info ${project_root_dir}/data/semicoco/mmdet_category_info.json \
--thres 0.1

DSL 训练

./demo/model_train/unlabel_train.sh

3. 应用案例和最佳实践

DSL 项目适用于多种场景，以下是一些应用案例：

• 利用少量标注数据进行目标检测任务，减少标注成本。
• 结合部分标注和无标注数据，提升模型泛化能力。
• 在不同领域的数据集上进行迁移学习，提高检测效果。

最佳实践：

• 确保训练数据的质量和多样性。
• 使用适当的数据增强策略，如随机翻转、缩放等。
• 选择合适的超参数和优化器。

4. 典型生态项目

• mmdetection: 一个基于 PyTorch 的目标检测开源项目。
• mmcv: 一个开源计算机视觉基础库，支持多种工具和模块。

DSL CVPR2022 paper "Dense Learning based Semi-Supervised Object Detection" 项目地址: https://gitcode.com/gh_mirrors/dsl1/DSL