RTDETRv2 pytorch训练

- [1. 代码获取](#1. 代码获取)
- [2. 数据集制作](#2. 数据集制作)
- [3. 环境配置](#3. 环境配置)
- [4. 代码修改](#4. 代码修改)
- - - 1）configs/dataset/coco_detection.yml
    - 2) configs/src/data/coco_dataset.py configs/src/data/coco_dataset.py)
    - 3）configs/src/core/yaml_utils.py
    - 4）configs/rtdeterv2/include/optimizer.yml
- [5. 代码训练、验证、以及模型参数和FLOPs](#5. 代码训练、验证、以及模型参数和FLOPs)
- - - 1) training training)
    - 2) tuning tuning)
    - 3）验证
    - 4) 查看模型参数查看模型参数)

1. 代码获取

从github上下载官方源码官方源码，将其中的redetrv2_pytorch单独移动到桌面上

python 复制代码

git clone https://github.com/lyuwenyu/RT-DETR.git

2. 数据集制作

使用github仓库中的 yolo2coco_1.py将YOLO标签转化为COCO数据集格式，然后将其转化为如下的存储顺序，最终移动到redetrv2_pytorch中

python 复制代码

dataset
	└── coco
		├── train2017  
		├── val2017 
		├── test2017 
    	└── annotations
    		├── instance_train2017.json
    		├── instance_val2017.json
    		└── instance_test2017.json

3. 环境配置

windows 11 GPU4090

模型训练环境为YOLOv9，然后需要单独安装faster-coco-eval库

python 复制代码

pip install faster-coco-eval

或者直接

python 复制代码

pip install -r requirements.txt

4. 代码修改

1）configs/dataset/coco_detection.yml

python 复制代码

num_classes: 2  # 原始 80  以二标签数据集为例（flame、smoke）

# 如果按照上面的数据集制作数据集格式，则不需要修改内容，以个人数据集为例
img_folder: ./dataset/coco/train2017/
ann_file: ./dataset/coco/annotations/instances_train2017.json

2) configs/src/data/coco_dataset.py

将mscoco_category2name修改为自己的标签内容

python 复制代码

# 注意，0、1需要根据自己转化的COCO数据集确定的 由于使用的是yolo2coco_1.py，生成的category_id是从0开始的，所以使用下面的这个
mscoco_category2name = {
    0: 'flame',
    1: 'smoke'
}
# 按照80标签的COCO数据集是从1开始的
mscoco_category2name = {
    1: 'flame',
    2: 'smoke'
}

3）configs/src/core/yaml_utils.py

如果在训练的时候出现读取yaml文件，字体格式的报错，可将代码修改为如下。如果没有出现，可直接跳过本步骤。

python 复制代码

# 添加encoding='utf-8'
with open(file_path, encoding='utf-8') as f:
    file_cfg = yaml.load(f, Loader=yaml.Loader)
    if file_cfg is None:
        return {}

4）configs/rtdeterv2/include/optimizer.yml

如果需要修改epoch，可以修改如下代码

python 复制代码

epoches: 300

此时，对应的configs/rtdeterv2/include/dataloader.yml需要进行如下修改

python 复制代码

train_dataloader: 
  dataset: 
    transforms:
      ops:
        - {type: RandomPhotometricDistort, p: 0.5}
        - {type: RandomZoomOut, fill: 0}
        - {type: RandomIoUCrop, p: 0.8}
        - {type: SanitizeBoundingBoxes, min_size: 1}
        - {type: RandomHorizontalFlip}
        - {type: Resize, size: [640, 640], }
        - {type: SanitizeBoundingBoxes, min_size: 1}
        - {type: ConvertPILImage, dtype: 'float32', scale: True}   
        - {type: ConvertBoxes, fmt: 'cxcywh', normalize: True}
      policy:
        name: stop_epoch
        epoch: 299 # epoch in [71, ~) stop `ops`  原始为71
        ops: ['RandomPhotometricDistort', 'RandomZoomOut', 'RandomIoUCrop']
  
  collate_fn:
    type: BatchImageCollateFuncion
    scales: [480, 512, 544, 576, 608, 640, 640, 640, 672, 704, 736, 768, 800]
    stop_epoch: 299 # epoch in [71, ~) stop `multiscales` 原始为71

5. 代码训练、验证、以及模型参数和FLOPs

1) training

python 复制代码

python tools/train.py -c ./configs/rtdetrv2/rtdetrv2_r50vd_m_7x_coco.yml --use-amp --seed=0

2) tuning

python 复制代码

python tools/train.py -c path/to/config -t path/to/checkpoint --use-amp --seed=0

3）验证

python 复制代码

python tools/train.py -c path/to/config -r path/to/checkpoint --test-only

4) 查看模型参数

python 复制代码

python tools/run_profile.py -c path/to/config