# 我的DETR源码实验

**Repository Path**: penguink3/My_DETR

## Basic Information

- **Project Name**: 我的DETR源码实验
- **Description**: 进行了DETR源码实验，用于打比赛和学习目标检测准备
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2022-04-15
- **Last Updated**: 2022-05-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

> DETR文献阅读笔记：https://gitee.com/penguink3/papers/blob/master/Transformer/Object%20Detection%20with%20Transformers/DETR%E8%AE%BA%E6%96%87%E7%AC%94%E8%AE%B0.md

# 1. 文件结构（只罗列我看懂的和需要的）
## 1.1. 说在前面
1. 注明源码出处：https://www.bilibili.com/video/BV1GC4y1h77h?spm_id_from=333.880.my_history.page.click

2. 更多DETR相关可以查看[DETR](DETR.md)

3. 请根据[requirments.txt](requirements.txt)配置好环境

4. 下载官方预训练参数，放置到detr-r50文件夹

```
链接：https://pan.baidu.com/s/1brQWpw6hZIj-jwijIO5czA?pwd=8xii 
提取码：8xii 
--来自百度网盘超级会员V5的分享
```

## 1.2. 文件结构

```
d2/detr/detr：DETR模型的源码，可以参考参考（一个示例，不是主要代码）

data: 
    |- coco:
        annotation: 指示性标识文件（label）的存放文件夹，固定包含instances_train.json和instances_val.json两个文件
        samples: 存放几张图片，用于训练好的模型的test
        train: 训练集数据图片
        val: 校验集数据图片
    |- 其他数据集可以仿照coco中的格式放置
    |- labelme2coco.py: 把labelme格式的label转化成coco格式

dataset: 处理数据集的文件夹
    coco.py: 代码最下方PATHS可以定义train数据集和val数据集存放的文件夹的名称和instances_xxx.json文件的名称

models: 代码中真正定义DETR模型的地方

detr-r50: 存放模型初始化参数文件
    change.py: 根据输出类型的数量修改初始化参数文件
    detr-r50-e632da11.pth: 初始化参数文件（没上传，自己下载）

main.py: 训练DETR模型的主要启动文件

Predict.py: 根据训练好的模型预测
```

# 2. 如何利用源码训练并预测自己的数据集？
## 2.1. 训练自己的数据集
1. 使用labelme打标签，具体做法请看这篇文章：https://gitee.com/penguink3/My_YOLO

2. 运行[change.py](../detr-r50/change.py)产生对应的模型初始化参数文件
    - 需要修改代码中num_class为你的分类类别数+1

3. 修改detr.py中的num_class为你的分类类别数+1

```py
# 修改前
num_classes = x if args.dataset_file != 'coco' else x

# 修改后
num_classes = 3 if args.dataset_file != 'coco' else 3
```

4. 使用[labelme2coco.py](data/labelme2coco.py)生成对应的标签文件
    - 你应该把它放在打标签时存储json标签文件的文件夹中
    - 然后运行这个python脚本文件，他会生成一个文件
    - val数据集和train数据集都要生成

<div align="center">
    <img src="ReadmeImg/1.png"/>
</div>

5. 整理数据集和生成的标签文件，成如下结构（可以参考data/coco文件夹），放入data文件夹

<div align="center">
    <img src="ReadmeImg/2.png"/>
</div>

6. 运行训练代码main.py，当然需要加运行参数

```py
--dataset_file "coco"
--coco_path data/apple  # 数据集存放位置
--epochs 100    # 训练回合数
--lr=1e-4   # 学习率
--batch_size=2  # batch大小
--num_workers=4
--output_dir="checkpoint"   # 模型参数输出路径，默认不改
--resume="detr-r50/detr-r50_2.pth"    # 预训练模型参数名字
```

## 2.2. 如何检测自己的图片
1. 修改[Predict.py](Predict.py)文件中的 
    - filename 和 filedir，一个是文件夹所在地，一个是要检测的图片名称
    - CLASSES: 你数据集的预测类别，你可以在你数据集文件夹中的instances_train.json中查看
    - COLORS: 有多少类，至少给多少个COLOR用于框框

2. 运行Predict文件，你可以在predict文件夹中找到输出结果

<div align="center">
    <img src="ReadmeImg/3.png"/>
</div>