DSL 的安装和配置教程

项目基础介绍

DSL（Dense Learning based Semi-Supervised Object Detection）是一个基于密集学习的半监督目标检测的开源项目。该项目是第一个面向半监督目标检测的无锚点（Anchor-Free）检测器。它基于 mmdetection 框架，旨在通过利用少量的标注数据和大量的无标注数据来提高目标检测的准确率。本项目主要使用 Python 编程语言。

项目使用的关键技术和框架

• mmdetection: 一个开源的目标检测工具箱，基于 PyTorch。
• PyTorch: 一个流行的深度学习框架，基于它，可以轻松构建和训练神经网络。
• Semi-Supervised Learning（SSL）: 半监督学习技术，通过利用未标注的数据来提高学习效率。
• Anchor-Free Detectors: 无锚点检测器，简化了目标检测中锚点生成和匹配的复杂过程。

项目安装和配置的准备工作

在开始安装之前，请确保您的环境中已经安装了以下依赖项：

• Python（版本 >= 3.8）
• PyTorch（版本 >= 1.8.0，CUDA 10.2）
• mmcv（全版本 1.3.10）

安装步骤

1. 克隆项目仓库

   首先需要将项目克隆到本地环境中：

   git clone https://github.com/chenbinghui1/DSL.git
   cd DSL
   

2. 创建数据目录

   在项目根目录下创建数据文件夹：

   mkdir data
   mkdir ori_data
   

3. 准备 COCO 数据集

   如果使用 COCO 数据集，需要下载并解压相应的数据：

   cd ori_data/coco
   wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
   wget http://images.cocodataset.org/zips/train2017.zip
   wget http://images.cocodataset.org/zips/val2017.zip
   wget http://images.cocodataset.org/zips/unlabeled2017.zip
   unzip annotations_trainval2017.zip -d .
   unzip -q train2017.zip -d .
   unzip -q val2017.zip -d .
   unzip -q unlabeled2017.zip -d .
   

4. 转换 COCO 到 semicoco 数据集

   使用项目提供的脚本转换 COCO 数据集到 semicoco 格式：

   cd ${project_root_dir}/DSL
   python3 tools/coco_convert2_semicoco_json.py --input ${project_root_dir}/ori_data/coco --output ${project_root_dir}/data/semicoco
   

5. 准备部分标注数据

   使用以下脚本生成部分标注数据列表文件：

   cd data_list/coco_semi/
   python3 prepare_dta.py --percent 10 --root ${project_root_dir}/ori_data/coco --seed 2
   

6. 训练监督基线模型

   在开始训练半监督模型之前，先训练一个监督基线模型：

   cd ${project_root_dir}/DSL
   ./demo/model_train/baseline_coco.sh
   

   注意：运行此脚本前，请确保已经正确修改了脚本和配置文件中的路径。

以上步骤是 DSL 项目的安装和配置的基本流程。在实际操作中，可能还需要根据具体的实验需求和环境进行相应的调整。