DINO训练自己的数据集（swin transformer backbone）

源码：https://github.com/IDEA-Research/DINO

数据集：coco格式

python 复制代码

COCODIR/
  ├── train2017/
  ├── val2017/
  └── annotations/
  	├── instances_train2017.json
  	└── instances_val2017.json

环境配置

1. 下载代码

python 复制代码

git clone https://github.com/IDEA-Research/DINO.git
cd DINO

2. 新建个环境

python 复制代码

conda create -n dino python=3.7 -y    # 新建环境
conda activate dino    # 激活环境

3. 装pytorch（作者版本：python=3.7.3,pytorch=1.9.0,cuda=11.1）

python 复制代码

# an example:
conda install -c pytorch pytorch torchvision

在pytorch.org上找到合适版本的pytorch安装即可，比如我是直接沿用的之前配的vit_adapter环境，版本和作者一样

python 复制代码

pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html

4. 安装其他包

python 复制代码

pip install -r requirements.txt

5. 编译 CUDA operators

python 复制代码

cd models/dino/ops
python setup.py build install
# unit test (should see all checking is True)
python test.py
cd ../../..

执行 test.py 后出现 out of memory是正常现象

到这里配置环境就over了

训练

1. 修改配置文件

/config/DINO/DINO_4scale_swin.py 中

num_classes调整为数据集类别数
修改 dn_labelbook_size满足 dn_labebook_size >= num_classes + 1

(此处建议复制一份作为自己的config文件进行修改，防止以后弄混出现问题，也方便自己管理，这里我复制了一份命名为 DINO_4scale_swin_custom.py)

2. 下载预训练模型文件等

下载预训练模型 and the checkpoint of Swin-L backbone

3. start to train

python 复制代码

bash scripts/DINO_train_submitit_swin.sh /path/to/your/COCODIR /path/to/your/pretrained_backbone

train from scratch

python 复制代码

bash scripts/DINO_train_swin.sh /path/to/your/COCODIR /path/to/your/pretrained_backbone_dir

或者

python 复制代码

python main.py \
	--output_dir logs/DINO/R50-MS4 -c ./config/DINO/DINO_4scale_swin_custom.py --coco_path ./coco_path \
	--options dn_scalar=100 embed_init_tgt=TRUE \
	dn_label_coef=1.0 dn_bbox_coef=1.0 use_ema=False \
	dn_box_noise_scale=1.0 backbone_dir=./backbone_dir

finetune with pre-trained models

python 复制代码

bash scripts/DINO_train_swin.sh /path/to/your/COCODIR /path/to/your/pretrained_backbone --pretrain_model_path /path/to/a/pretrianed/model --finetune_ignore label_enc.weight class_embed

指定GPU序号的话在 /path/to/your/pretrained_backbone后加上序号数即可，即第三个参数

ps. 如果是用的自己的config文件，那么需要修改 DINO_train_swin.sh 里面的参数，把里面的 DINO_4scale_swin.py 修改为自己的文件名即可

遇到的报错

第一次train的时候出现报错 RuntimeError: No shared folder available dino

解决方法：在项目文件夹下新建一个名为comp_robot的文件夹，该文件夹内再新建一个名为experiments的文件夹，然后在根目录下的run_with_submitit.py中找到get_shared_folder()函数，将其中的 /comp_robot 换为自己的文件夹所在路径，/comp_robot/{user}/experiments 同理

占用现存好大，改天再跑，先记录一下我自己的指令（服务器103 环境名vit_adapter）

python 复制代码

 bash scripts/DINO_train_swin.sh /data/zy/dataset/project/Cooper001_withlabel/coco/ /data/zy/code/DINO-main/pretrained/ 2 --pretrain_model_path /data/zy/code/DINO-main/pretrained/checkpoint0011_4scale_swin.pth --finetune_ignore label_enc.weight class_embed