GGHL 项目使用教程

1. 项目介绍

GGHL（A General Gaussian Heatmap Label Assignment for Arbitrary-Oriented Object Detection）是一个用于任意方向目标检测的通用高斯热图标签分配方法的实现。该项目旨在通过高斯热图标签分配技术，提高任意方向目标检测的准确性和效率。GGHL 方法特别适用于遥感图像中的目标检测任务，能够有效处理任意方向的物体边界框。

2. 项目快速启动

2.1 环境准备

在开始之前，请确保您的环境满足以下要求：

• Linux (Ubuntu 18.04, GCC>=5.4) 或 Windows (Win10)
• CUDA > 11.1
• Cudnn > 8.0.4
• Python 环境

2.2 安装依赖

首先，安装 CUDA、Cudnn 和 Pytorch。然后，安装项目所需的依赖库：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
pip install -r requirements.txt

2.3 克隆项目

使用 Git 克隆项目到本地：

git clone https://github.com/Shank2358/GGHL.git
cd GGHL

2.4 数据准备

准备 DOTA 数据集，并将其转换为项目所需的格式。使用 DOTA_devkit 工具进行图像和标签的分割，然后运行 DOTA2Train.py 脚本进行格式转换：

cd datasets_tools
python DOTA2Train.py

2.5 训练模型

使用以下命令开始训练模型：

python train_GGHL.py

2.6 测试模型

训练完成后，使用以下命令进行模型测试：

python test.py

3. 应用案例和最佳实践

3.1 遥感图像目标检测

GGHL 在遥感图像目标检测中表现出色，能够有效处理任意方向的物体边界框。通过高斯热图标签分配技术，GGHL 能够提高检测的准确性和效率。

3.2 多尺度目标检测

GGHL 支持多尺度目标检测，适用于不同尺度的物体检测任务。通过调整训练参数，可以优化模型在多尺度目标检测中的表现。

4. 典型生态项目

4.1 MMRotate

MMRotate 是一个基于 GGHL 的改进项目，专注于旋转目标检测。MMRotate 在 GGHL 的基础上进一步优化了标签分配和模型训练过程，适用于更复杂的目标检测任务。

4.2 TS-Conv

TS-Conv 是 GGHL 基础上改进的标签分配方法，通过引入新的卷积结构，进一步提高了目标检测的准确性。TS-Conv 的代码已经发布，并持续更新中。

通过以上步骤，您可以快速上手 GGHL 项目，并在实际应用中取得良好的效果。