**A Normalized Gaussian Wasserstein Distance for Tiny Object Detection（NWD）安装配置指南**

---

项目基础介绍

NWD是基于PyTorch实现的一个开源项目，旨在提供一种名为“规范化高斯Wasserstein距离”的方法，专门用于微型物体检测。该技术被发表在《ISPRS Journal of Photogrammetry and Remote Sensing》上，适用于处理空中图像中的微小目标。项目采用Python为主要编程语言，并依赖于一系列库如PyTorch、mmcv等来支持其功能。

关键技术与框架

• PyTorch: 深度学习框架，负责模型的构建与训练。
• MMCV: 一个面向计算机视觉任务的扩展库，特别是为MMDetection设计。
• MMDetection: 高度可扩展的对象检测库，提供了多种检测算法的支持。
• COCOAPI-AITOD: 专门为AI-TOD数据集的评估而定制的COCO API版本。
• Normalized Gaussian Wasserstein Distance (NWD): 核心算法，优化了对小型目标的检测性能。

安装与配置指南

环境准备

1. 系统要求：建议使用Ubuntu 16.04或更高版本。
2. 软件需求：
   • Python 3.7+
   • PyTorch 1.5及以上（推荐含CUDA 10.1版本）
   • CUDA 10.1
   • cuDNN与NCCL 2相应版本
   • gcc/g++ 5.4 或更高

安装步骤

Step 1: 创建并激活虚拟环境

打开终端，执行以下命令以创建一个新的conda虚拟环境：

conda create -n nwd python=3.7 -y
conda activate nwd

Step 2: 安装PyTorch与 torchvision

确保安装对应CUDA版本的PyTorch和torchvision：

pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html

Step 3: 安装MMCV-NWD

从GitHub克隆并安装特定版本的mmcv-nwd：

git clone https://github.com/jwwangchn/mmcv-nwd.git
cd mmcv-nwd
MMCV_WITH_OPS=1 pip install -e .
cd ..

Step 4: 安装COCOAPI-AITOD

用于AI-TOD数据集的评估：

pip install "git+https://github.com/jwwangchn/cocoapi-aitod.git#subdirectory=aitodpycocotools"

Step 5: 获取NWD项目源码

git clone https://github.com/jwwangchn/NWD.git
cd NWD

Step 6: 安装依赖与项目设置

首先安装项目所需的其他库，然后进行本地开发环境的搭建：

pip install -r requirements.txt
python setup.py develop

数据集准备

参照AI-TOD的指示下载并准备AI-TOD数据集，并将其根目录链接到$NWD/data/AI-TOD中。

开始您的实验

• 查阅配置文件夹configs/nwd下的相关配置，这些是针对不同模型与任务的预设配置。

• 单GPU训练示例:

  python tools/train.py configs/nwd/faster_rcnn_r50_aitod_rpn_nwd.py
  

• 多GPU分布式训练:

  sh tools/dist_train.sh configs/nwd/faster_rcnn_r50_aitod_rpn_nwd.py 4
  

遵循以上步骤后，您便成功配置并可以开始利用NWD进行微型物体检测的研究和实验了。记得根据具体情况进行适当路径调整和配置修改。祝您的研究顺利！

---

通过上述详细步骤，即便是初学者也能顺利完成项目的搭建和运行准备工作。如果在安装过程中遇到任何问题，查阅项目GitHub页面上的文档或提交issue获取帮助是很好的解决方式。