carryhjr / tsd_mindspore

第三届华为云无人车挑战杯复赛Top1方案分享, Traffic sign detection, yolov4, mindspore

赛题介绍

第三届华为云无人车挑战杯复赛Top1方案分享。本届无人车挑战杯大赛主要考核点有交通信号灯识别、车道线检测、斑马线检测、限速标志识别、施工标志识别、障碍物检测等，其中交通信号灯、斑马线、限速标志检测算法需要基于AI开发平台ModelArts开发。训练数据集包含红灯、绿灯、黄灯、人行横道、限速标志、解除限速标志六种类型图片，需使用ModelArts数据管理模块完成以上六种检测目标的标注。参赛者需基于MindSpore框架（使用其他框架提交的作品无效）建立目标检测模型

解决方案及算法介绍

• 数据集: 初赛数据和复赛数据
• 数据增强：albu和imagecorruptions
• 后处理： tta+wbf, 使用wbf进行多尺度集成，wbf应该是目前性能最好后处理方法，优于nms, soft-nms, nmw
• 检测模型：YoloV4, 在本次比赛中我们集成了两个yolov4模型，模型一使用albu增广，模型二使用albu+imagecorruptions增广，可以提升方案的鲁棒性。和只使用模型一相比，堆叠模型二后可以带来2个点左右的涨点

感谢以上作者的开源工作！！！

环境配置

环境依赖

• cuda 10.1
• cudnn 7.6.4
• gcc 7.3.0
• python 3.7
• mindspore 1.3.0

训练设备

4张1080ti，batch_size(6x4)

模型训练复现流程

数据集准备

训练集标签放在data/annotations_xml下，训练集图片放在data/train下

将voc格式的标签转为coco格式

mkdir -p data/annotations
python pascal2coco.py

预训练模型下载

coco预训练模型下载完后放在weights文件夹下面

模型训练

sh train.sh

生成的模型在weights文件夹下

模型推理

测试图片放在samples文件夹下，推理结果在outputs文件夹下，该脚本可以本地运行，也可以直接用于部署Modelarts在线服务和批量服务

python customize_service.py