A Normalized Gaussian Wasserstein Distance for Tiny Object Detection（NWD）安装配置指南
项目地址: https://gitcode.com/gh_mirrors/nw/NWD 项目基础介绍
NWD是基于PyTorch实现的一个开源项目，旨在提供一种名为“规范化高斯Wasserstein距离”的方法，专门用于微型物体检测。该技术被发表在《ISPRS Journal of Photogrammetry and Remote Sensing》上，适用于处理空中图像中的微小目标。项目采用Python为主要编程语言，并依赖于一系列库如PyTorch、mmcv等来支持其功能。
关键技术与框架
- PyTorch: 深度学习框架，负责模型的构建与训练。
- MMCV: 一个面向计算机视觉任务的扩展库，特别是为MMDetection设计。
- MMDetection: 高度可扩展的对象检测库，提供了多种检测算法的支持。
- COCOAPI-AITOD: 专门为AI-TOD数据集的评估而定制的COCO API版本。
- Normalized Gaussian Wasserstein Distance (NWD): 核心算法，优化了对小型目标的检测性能。
安装与配置指南
环境准备
- 系统要求：建议使用Ubuntu 16.04或更高版本。
- 软件需求：
- Python 3.7+
- PyTorch 1.5及以上（推荐含CUDA 10.1版本）
- CUDA 10.1
- cuDNN与NCCL 2相应版本
- gcc/g++ 5.4 或更高
安装步骤
Step 1: 创建并激活虚拟环境
打开终端，执行以下命令以创建一个新的conda虚拟环境：
conda create -n nwd python=3.7 -y
conda activate nwd
Step 2: 安装PyTorch与 torchvision
确保安装对应CUDA版本的PyTorch和torchvision：
pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html
Step 3: 安装MMCV-NWD
从GitHub克隆并安装特定版本的mmcv-nwd：
git clone https://github.com/jwwangchn/mmcv-nwd.git
cd mmcv-nwd
MMCV_WITH_OPS=1 pip install -e .
cd ..
Step 4: 安装COCOAPI-AITOD
用于AI-TOD数据集的评估：
pip install "git+https://github.com/jwwangchn/cocoapi-aitod.git#subdirectory=aitodpycocotools"
Step 5: 获取NWD项目源码
git clone https://github.com/jwwangchn/NWD.git
cd NWD
Step 6: 安装依赖与项目设置
首先安装项目所需的其他库，然后进行本地开发环境的搭建：
pip install -r requirements.txt
python setup.py develop
数据集准备
参照AI-TOD的指示下载并准备AI-TOD数据集，并将其根目录链接到$NWD/data/AI-TOD中。
开始您的实验
-
查阅配置文件夹
configs/nwd下的相关配置，这些是针对不同模型与任务的预设配置。 -
单GPU训练示例:
python tools/train.py configs/nwd/faster_rcnn_r50_aitod_rpn_nwd.py -
多GPU分布式训练:
sh tools/dist_train.sh configs/nwd/faster_rcnn_r50_aitod_rpn_nwd.py 4
遵循以上步骤后，您便成功配置并可以开始利用NWD进行微型物体检测的研究和实验了。记得根据具体情况进行适当路径调整和配置修改。祝您的研究顺利！
通过上述详细步骤，即便是初学者也能顺利完成项目的搭建和运行准备工作。如果在安装过程中遇到任何问题，查阅项目GitHub页面上的文档或提交issue获取帮助是很好的解决方式。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
