The dcic19-rebar-detection-rank2 from jinzhu6

jinzhu6 / dcic19-rebar-detection-rank2 Goto Github PK

View Code? Open in Web Editor NEW

DCIC19 数字**峰会钢筋智能识别第二名代码

Python 84.15% MATLAB 0.25% Shell 0.35% Cuda 8.08% C 6.81% C++ 0.35%

dcic19-rebar-detection-rank2's Introduction

DCIC 智能盘点—钢筋数量AI识别学习使我快乐队伍代码说明：

1. 运行环境需求：

操作系统：Ubuntu16.10
语言：python3.6.5
深度学习框架：pytorch0.4.1 cuda9.0 cudnn7
GPU：1080Ti 11G显存
相关的依赖python包：
    pyyaml
    opencv-python
    pandas
    numpy
    scipy
    matplotlib
    cython
    packaging
    pycocotools 
    tensorboardX

2. 运行说明：

a. 编译CUDA 代码：
    cd lib  # please change to this directory
    sh make.sh

    然后就会开始编译

    如果您使用的是Volta架构的GPU，那么请将 lib/make.sh 中第14行后面加上反斜杠，并且打开下一行的注释来调整cuda编译时候的依赖版本
    
    一切顺利的话将完成对NMS, ROI_Pooing, ROI_Crop 以及 ROI_Align几个模块的编译工作

b.数据准备：
    请将比赛所用的训练集所有图片放置于目录:
        data/gangjin/images/train
    请将比赛所用的测试集放所有图片置于目录：
        data/gangjin/images/test
    请从以下链接下载COCO预训练模型：
    https://dl.fbaipublicfiles.com/detectron/36761843/12_2017_baselines/e2e_mask_rcnn_X-101-32x8d-FPN_1x.yaml.06_35_59.RZotkLKI/output/train/coco_2014_train%3Acoco_2014_valminusminival/generalized_rcnn/model_final.pkl
    并且将其重命名为：COCO-mask-X-101-32x8d.pkl
    然后放置于 data/pretrained_model 目录下

c. 训练：
    python tools/train_net_step.py --dataset gangjin --cfg configs/baselines/e2e_faster_rcnn_X-101-32x8d-FPN_1x.yaml --nw 6 --bs 1 --use_tfboard
d. 预测：
    python tools/infer_csv.py --dataset gangjin --cfg configs/baselines/e2e_faster_rcnn_X-101-32x8d-FPN_1x.yaml --load_ckpt Outputs/e2e_faster_rcnn_X-101-32x8d-FPN_1x/Deb16-01-20-13_gpuNode-6-4_step/ckpt/model_step109999.pth --image_dir data/gangjin/images/test/ 
    然后最终的提交文件会在submit文件夹下生成

最后衷心感谢比赛放提供的非常良心的标注数据！！是我参加几个比赛看到的最棒最良心的，谢谢！！

Recommend Projects