huangyanzhi / reasoning-rcnn-sucess

Reasoning-RCNN: Unifying Adaptive Global Reasoning into Large-scale Object Detection

本项目来源于https://github.com/chanyn/Reasoning-RCNN Reasoning-RCNN: Unifying Adaptive Global Reasoning into Large-scale Object Detection (CVPR2019 Oral) 对其进行了相关内容修改使其可以运行，测试环境如下：

Environments（Ubuntu16.04，python3.6）

addict 2.4.0 certifi 2021.5.30 cffi 1.14.6 cycler 0.11.0 Cython 0.29.33 kiwisolver 1.3.1 matplotlib 3.3.4 mkl-fft 1.0.6 mkl-random 1.0.1 mmcv 0.4.3 mmdet 0.5.7+6d83f89 numpy 1.15.4 olefile 0.46 opencv-python 4.6.0.66 packaging 21.3 pandas 0.25.3 Pillow 8.3.1 pip 21.3.1 pycocotools 2.0.6 pycparser 2.21 pyparsing 3.0.0 python-dateutil 2.8.2 pytz 2023.3 PyYAML 6.0 scipy 1.5.4 seaborn 0.11.2 setuptools 58.0.4 six 1.16.0 TBB 0.2 terminaltables 3.1.10 torch 0.4.1 torchvision 0.2.1 wheel 0.37.1 yapf 0.32.0

Detail

本项目使用mmdetection0.5.7,需要的话【在此】下载（已对官方版本内容进行了相关修改，可以直接用于Reasoning-RCNN）

1.创建conda虚拟环境并安装requirements.txt里面的库并激活进入虚拟环境

pip install -r requirements.txt

2.安装mmcv（先安装mmcv后安装mmdetection）

pip install mmcv==0.4.3

3.安装mmdetection0.5.7

git clone https://github.com/Jinzhong-Duan/mmdetection.git

conda install cython #pip install cython

cd mmdetection#如果已经在此目录不需要此条命令

./compile.sh

python setup.py install #pip install .

4.执行训练(记得修改/mmdetection/mmdet/datasets/coco.py里面的CLASSES为自己数据集的类别)

python ./tools/train.py configs/faster_rcnn_r101_fpn_1x_coco.py（reasoning-rcnn目录下）

5.执行测试(根据实际进行修改)（记得在/mmdetection/mmdet/core/evaluation/class_names.py里自定义类别获取函数并添加到dataset_aliases）

python test.py configs/coco_faster_rcnn_r101_fpn_1x.py work_dirs/faster_rcnn_r101_fpn_1x/epoch_3.pth --json_out work_dirs/test_result/aluminum_rrcnn_result

python coco_eval.py work_dirs/test_result/faster_rcnn_result.bbox.json --ann /root/aluminum/annotations/val.json

其它

1.如果执行./compile.sh出现gcc等问题，很可能是由于cuda，cudnn，pytorch，mmcv版本存在不匹配问题。

2.其他环境未测试，谨慎尝试。

3.如果使用官方的mmdetection0.5.7不能直接用，需要修改相应代码。

4.如果非想使用官方的mmdetection，建议使用mmdetection1.0.0,代码改动会少点。

5.hkrm和reasoning-rcnn都可以正常运行，但sgrn缺失sample_bboxes_return_index函数还没实现。