MDETR

实验原理

基于DETR的小样本目标检测，基于最新的算法进行改进
本次实验基于改进后的DETR模型，在公开小样本目标检测数据集MS COCO上进行了训练和测试，结果显示训练的模型能够消除novel类候选框不准所带来的限制并且能够有效利用类间相关性，减少误分类，增强相似或相关类之间的泛化。

实验效果

安装

实验环境

你必须具有NVIDIA GPU才能运行代码。

使用以下环境设置开发和测试实现代码:

• Ubuntu LTS 20.04
• NVIDIA RTX 3090 (32GB)
• CUDA 11.3
• Python == 3.7
• PyTorch == 1.12
• GCC == 7.5.0
• cython, pycocotools, tqdm, scipy 我建议使用上面的准确设置。如果是其他环境，应满足以下条件：Linux, Python>=3.7, CUDA>=9.2, GCC>=5.4, PyTorch>=1.5.1, TorchVision>=0.6.1。

实验代码

首先，从github上克隆本代码，使用以下命令：
git clone https://github.com/Xuelangshuo/MDETR.git
我建议你使用Anaconda去创建一个虚拟环境：
conda create -n mdetr python=3.7 pip
然后激活这个虚拟环境：
conda activate mdetr
然后安装对应的PyTorch和TorchVision：
pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu113
再然后，安装其他的要求环境：
conda install cython scipy tqdm pip install -U 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'
由于MDETR是在可变形DETR上开发的，因此需要编译：
cd MDETR
cd ./models/ops
sh ./make.sh
python test.py

数据集准备

MS-COCO for Few-Shot Object Detection

COCO 2017 dataset下载链接：https://cocodataset.org/

训练

python -u main.py