【模型复现】自制数据集上复现目标检测域自适应 SSDA-YOLO

[1. 环境安装](#1. 环境安装)
[2. 数据集制作](#2. 数据集制作)
- [2.1 数据准备](#2.1 数据准备)
- [2.2 数据结构](#2.2 数据结构)
[3. 模型训练](#3. 模型训练)
- [3.1 数据文件配置](#3.1 数据文件配置)
- [3.2 训练超参数配置](#3.2 训练超参数配置)
- [3.3 模型训练](#3.3 模型训练)
[4. 模型验证](#4. 模型验证)
- [4.1 验证超参数配置](#4.1 验证超参数配置)
- [4.2 模型验证](#4.2 模型验证)
[5. 模型推理](#5. 模型推理)
- [5.1 推理超参数配置](#5.1 推理超参数配置)
- [5.2 模型推理](#5.2 模型推理)
[6. 踩坑记录](#6. 踩坑记录)
- [6.1 AssertionError: train_target_real_fake: No labels in xxx/labels/train.cache. Can not train without labels.](#6.1 AssertionError: train_target_real_fake: No labels in xxx/labels/train.cache. Can not train without labels.)
- [6.2 ValueError: could not broadcast input array from shape (427,325,3) into shape (428,325,3)](#6.2 ValueError: could not broadcast input array from shape (427,325,3) into shape (428,325,3))
- [6.3 RuntimeError: result type Float can't be cast to the desired output type long int.](#6.3 RuntimeError: result type Float can't be cast to the desired output type long int.)
- [6.4 RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0 and cuda:2!](#6.4 RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0 and cuda:2!)

Paper 链接: SSDA-YOLO: Semi-Supervised Domain Adaptive YOLO for Cross-Domian Object Detection

1. 环境安装

shell 复制代码

# 创建环境
conda create -n ssda_yolo python=3.9

# 激活环境
conda activate ssda_yolo

# torch 安装
# 本机 CUDA 为 11.8，故安装了符合要求的 pytorch==1.13，这里需要自行根据 CUDA 版本安装适配的 torch 版本
pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117

# clone 代码
git clone https://github.com/hnuzhy/SSDA-YOLO.git

# pip 包
cd SSDA-YOLO
pip install -r requirements.txt

2. 数据集制作

2.1 数据准备

以下面展示 README.md 中提到的 CityScapes --> CityScapes Foggy 域适应为例，需要准备数据集 CityScapes、CityScapes Foggy、Normal-style --> Foggy-style、 Foggy-style --> Normal-style。
其中 Normal-style --> Foggy-style 和 Foggy-style --> Normal-style 均由 CUT 模型训练得来。CUT 模型训练过程见链接: 【模型复现】自制数据集上复现风格迁移模型 CUT：Contrastive Unpaired Translation

2.2 数据结构

准备训练数据，数据集的文件结构为：

makedown 复制代码

my_datasets/
├──cityscapes_source
│	├──cityscapes_real
│	│	├──images/train
│	│	│	├──xxx.jpg
│	│	│	└──xxx.jpg
│	│	└──labels/train
│	│		├──xxx.txt
│	│		└──xxx.txt
│	└──cityscapes_fake
│		├──images/train
│		│	├──xxx.jpg
│		│	└──xxx.jpg
│		└──labels/train
│			├──xxx.txt
│			└──xxx.txt
└──cityscapesfoggy_target
	├──cityscapesfoggy_real
	│	├──images
	│	│	├──train
	│	│	│	└──xxx.jpg
	│	│	│	└──xxx.jpg
	│	│	└──val
	│	│		└──xxx.jpg
	│	│		└──xxx.jpg
	│	└──labels
	│		├──train
	│		│	└──xxx.txt
	│		│	└──xxx.txt
	│		└──val
	│			└──xxx.txt
	│			└──xxx.txt
	└──cityscapesfoggy_fake
		├──images/train
		│	├──xxx.jpg
		│	└──xxx.jpg
		└──labels/train
			├──xxx.txt
			└──xxx.txt

3. 模型训练

3.1 数据文件配置

在 ./data/yamls_sda 路径下新建数据配置 yaml 文件并进行配置，修改数据加载路径等参数。
- path：数据存放路径
- train_source_real：源域真实训练数据
- train_source_fake：源域上使用 CUT 生成目标域形式的数据
- train_target_real：目标域真实训练数据
- train_target_fake：目标域上使用 CUT 生成源域形式的数据
- test_target_real：目标域真实测试数据
- nc：标签数量
- names：标签名称
数据配置文件示例如下：

3.2 训练超参数配置

通过 ssda_yolov5_train.py 进行训练超参数配置，按需进行超参数配置。

3.3 模型训练

训练指令

markdown 复制代码

python -m torch.distributed.launch --nproc_per_node 8 ssda_yolov5_train.py

在终端中运行训练命令，若看到下述界面，即成功复现！！！

4. 模型验证

4.1 验证超参数配置

通过 ssda_yolov5_test.py 进行验证超参数配置，按需进行超参数配置。

4.2 模型验证

验证指令
markdown 复制代码
```
python ssda_yolov5_test.py
```
验证成功界面如下。

5. 模型推理

官方代码中并未给出模型推理脚本，但分析代码不难发现，推理脚本可复用 YOLOv5-5.0 的推理脚本 detect.py，见链接 YOLOv5-5.0 detect.py，将代码放在主目录下配置参数即可。

5.1 推理超参数配置

通过 detect.py 进行推理超参数配置，按需进行超参数配置。

5.2 模型推理

推理指令
markdown 复制代码
```
python detect.py
```
推理成功界面如下。

6. 踩坑记录

6.1 AssertionError: train_target_real_fake: No labels in xxx/labels/train.cache. Can not train without labels.

解决方法：
- 虽然 target 的 labels 训练中未使用，但也需按照规范放置 images 和 labels.

6.2 ValueError: could not broadcast input array from shape (427,325,3) into shape (428,325,3)

问题分析：
- 在进行 mosaic 增强时，图片尺寸不符。查看 soure_fake 和 source_real 的尺寸后，发现经过 CUT 生成的图像和源域的图像中存在尺寸不一致的情况，导致增强时报错。

解决方法：

分别将 soure_fake & source_real 和 target_fake & target_real 的尺寸调整一致后进行模型训练。

实现脚本如下：

python 复制代码

import os
from PIL import Image

# 图像文件夹路径
folder_a = './real/images/train'  # 存放jpg图像的文件夹
folder_b = './fake/images/train'  # 存放png图像的文件夹

for filename in os.listdir(folder_a):
    if filename.lower().endswith('.jpg'):
        jpg_path = os.path.join(folder_a, filename)
        png_path = os.path.join(folder_b, filename.replace('.jpg', '.png'))

        if os.path.exists(png_path):
            with Image.open(jpg_path) as jpg_image:
                with Image.open(png_path) as png_image:
                    jpg_size = jpg_image.size
                    png_size = png_image.size

                    # 比较尺寸
                    if jpg_size != png_size:
                        print(f"尺寸不一致: {filename}")
                        # 如果尺寸不一致，调整png图像的大小
                        png_image_resized = png_image.resize(jpg_size, Image.ANTIALIAS)
                        png_image_resized.save(png_path)
                    else:
                        print(f"尺寸一致: {filename}")
        else:
            print(f"在文件夹B中找不到对应的png文件: {filename}")

6.3 RuntimeError: result type Float can't be cast to the desired output type long int.

解决方法：

在 utils/loss.py 第 216 行进行如下修改：

python 复制代码

# indices.append((b, a, gj.clamp_(0, gain[3] - 1), gi.clamp_(0, gain[2] - 1)))  # image, anchor, grid indices
indices.append((b, a, gj.clamp_(0, gain[3].long() - 1), gi.clamp_(0, gain[2].long() - 1)))   # image, anchor, grid indice

修改完成后如下所示。

6.4 RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0 and cuda:2!

解决方法：
- 在使用多卡时，训练命令使用 python -m torch.distributed.launch --nproc_per_node 8 ssda_yolov5_train.py