基于 MMYOLO 的频高图实时目标检测 benchmark。
数字频高图是获取电离层实时信息最重要的途径。电离层结构检测对精准提取电离层关键参数，具有非常重要的研究意义。
利用中国科学院在海南、武汉、怀来获取的不同季节的4311张频高图建立数据集，人工标注出E层、Es-c层、Es-l层、F1层、F2层、Spread F层共6种结构。数据集下载
使用 labelme 标注的图像预览
- 数据集格式转换
使用MMYOLO提供的 tools/dataset_converters/labelme2coco.py 脚本将 labelme 的 label 转换为 COCO label。
python tools/dataset_converters/labelme2coco.py --img-dir ./Iono4311/images \
--labels-dir ./Iono4311/labels \
--out ./Iono4311/annotations/annotations_all.json- 浏览数据集
使用下面的命令可以将 COCO 的 label 在图片上进行显示，这一步可以验证刚刚转换是否有问题。
python tools/analysis_tools/browse_coco_json.py --img-dir ./Iono4311/images \
--ann-file ./Iono4311/annotations/annotations_all.json- 划分训练集、验证集、测试集
设置70%的图片为训练集，15%作为验证集，15%为测试集。
python tools/misc/coco_split.py --json ./Iono4311/annotations/annotations_all.json \
--out-dir ./Iono4311/annotations \
--ratios 0.7 0.15 0.15 \
--shuffle \
--seed 14划分后的 File tree:
Iono4311/
├── annotations
│ ├── annotations_all.json
│ ├── class_with_id.txt
│ ├── test.json
│ ├── train.json
│ └── val.json
├── classes_with_id.txt
├── dataset_analysis.ipynb
├── dataset.ipynb
├── images
├── labels
├── test_images
├── train_images
└── val_images使用以下代码可以统计数据集中各类别的实例数量：
import json
import numpy as np
import pandas as pd
# 指定标注文件路径
ann_file_all = '/home/ubuntu/ionogram_detection/Iono4311/annotations/annotations_all.json'
ann_file_train = '/home/ubuntu/ionogram_detection/Iono4311/annotations/train.json'
ann_file_val = '/home/ubuntu/ionogram_detection/Iono4311/annotations/val.json'
ann_file_test = '/home/ubuntu/ionogram_detection/Iono4311/annotations/test.json'
for index, filename in enumerate((ann_file_all, ann_file_train, ann_file_val, ann_file_test)):
with open(filename, 'r') as f:
annotations = json.load(f)
dataset = pd.DataFrame(np.zeros((1, 6), dtype=int), columns=['E', 'Esl', 'Esc', 'F1', 'F2', 'Fspread'])
for ins in annotations["annotations"]:
dataset.iloc[0, ins["category_id"]-1] += 1
set_name = filename.split('/')
print(set_name[-1][: -5], len(annotations["images"]), 'images')
print(dataset, '\n')
f.close()得到如下输出，说明本数据集存在样本分布不均衡的现象。
annotations_all 4311 images
E Esl Esc F1 F2 Fspread
0 2040 753 893 2059 4177 133
train 3019 images
E Esl Esc F1 F2 Fspread
0 1436 529 629 1459 2928 91
val 646 images
E Esl Esc F1 F2 Fspread
0 311 101 137 303 626 20
test 646 images
E Esl Esc F1 F2 Fspread
0 293 123 127 297 623 22配置文件在目录 /configs/custom_dataset 下。
- 数据集可视化分析
python tools/analysis_tools/dataset_analysis.py configs/custom_dataset/yolov5_s-v61_syncbn_fast_1xb32-50e_ionogram.py \
--out-dir output
E、Es-l、Esc、F1 类别以小目标居多，F2、Fspread 类主要是中等大小目标。
- 可视化config中的数据处理部分
以 YOLOv5-s 为例：
python tools/analysis_tools/browse_dataset.py configs/custom_dataset/yolov5/yolov5_s-v61_syncbn_fast_1xb96-100e_ionogram.py \
--out-dir output --show-interval 1根据配置文件中的 train_pipeline，训练时采用的数据增强策略包括：
- 马赛克增强
- 仿射变换
- Albumentations 数据增强工具包（包括多种数字图像处理方法）
- HSV随机增强图像
- 随机水平翻转
修改 train_pipeline 并可视化不同的数据增强方法：
| Aug Method | config | config | config | config |
|---|---|---|---|---|
| Mosaic | √ | √ | √ | |
| Affine | √ | √ | ||
| Albu | √ | |||
| HSV | √ | |||
| Flip | √ | |||
| 可视化 |  |
 |
 |
 |
- 修改 Anchor 尺寸
使用分析工具中的 tools/analysis_tools/optimize_anchors.py 脚本得到适用于本数据集的先验锚框尺寸。
python tools/analysis_tools/optimize_anchors.py configs/custom_dataset/yolov5/yolov5_s-v61_syncbn_fast_1xb96-100e_ionogram.py \
--algorithm v5-k-means \
--input-shape 640 640 \
--prior-match-thr 4.0 \
--out-dir work_dirs/dataset_analysis_5_s- 模型复杂度分析
根据配置文件，使用分析工具中的 tools/analysis_tools/get_flops.py 脚本可以得到模型的参数量、浮点计算量等信息。以 YOLOv5-s 为例：
python tools/analysis_tools/get_flops.py configs/custom_dataset/yolov5/yolov5_s-v61_syncbn_fast_1xb96-100e_ionogram.py得到如下输出，表示模型的浮点运算量为 7.947G，一共有 7.036M 个可学习参数。
==============================
Input shape: torch.Size([640, 640])
Model Flops: 7.947G
Model Parameters: 7.036M
==============================- 训练
python tools/train.py configs/custom_dataset/yolov5/yolov5_s-v61_syncbn_fast_1xb96-100e_ionogram.py调试技巧：在调试代码的过程中，有时需要训练几个 epoch，例如调试验证过程或者权重的保存是否符合期望。对于继承自 BaseDataset 的数据集（如本范例中的 YOLOv5CocoDataset），在 train_dataloader 中的 dataset 字段增加 indices 参数，即可指定每个 epoch 迭代的样本数，减少迭代时间。
train_dataloader = dict(
batch_size=train_batch_size_per_gpu,
num_workers=train_num_workers,
dataset=dict(
_delete_=True,
type='RepeatDataset',
times=1,
dataset=dict(
type=_base_.dataset_type,
indices=200, # 设置 indices=200，表示每个 epoch 只迭代 200 个样本
data_root=data_root,
metainfo=metainfo,
ann_file=train_ann_file,
data_prefix=dict(img=train_data_prefix),
filter_cfg=dict(filter_empty_gt=False, min_size=32),
pipeline=_base_.train_pipeline)))- 测试
python tools/test.py configs/custom_dataset/yolov5/yolov5_s-v61_syncbn_fast_1xb96-100e_ionogram.py \
work_dirs/yolov5_s_100e/best_coco-test-0.584.pth- Batch size 主导了训练速度。通常，理想的 batch size 是是硬件能支持的最大 batch size。
- 当显存占用没有达到饱和时，如果 batch size 翻倍，训练吞吐量也应该翻倍（或接近翻倍）。训练时间应该减半或接近减半。
- 使用混合精度训练可以加快训练速度、减小显存。在执行
train.py脚本时添加--amp参数即可开启。
硬件信息：
- GPU：V100，显存 32G
- CPU：10核，内存 40G
实验结果：
| Model | Epoch(best) | AMP | Batchsize | Num workers | Memory Allocated | Training Time | Val mAP |
|---|---|---|---|---|---|---|---|
| YOLOv5-s | 100(82) | False | 32 | 6 | 35.07% | 54 min | 0.575 |
| YOLOv5-s | 100(96) | True | 32 | 6 | 24.93% | 49 min | 0.578 |
| YOLOv5-s | 100(100) | False | 96 | 6 | 96.64% | 48 min | 0.571 |
| YOLOv5-s | 100(100) | True | 96 | 6 | 54.66% | 37 min | 0.575 |
| YOLOv5-s | 100(90) | True | 144 | 6 | 77.06% | 39 min | 0.573 |
| YOLOv5-s | 200(148) | True | 96 | 6 | 54.66% | 72 min | 0.575 |
| YOLOv5-s | 200(188) | True | 96 | 8 | 54.66% | 67 min | 0.576 |
不同 batch size 的训练过程中，数据加载时间 data_time 占每步总时长的比例
分析结果，可以得出以下结论：
- 使用混合精度训练队模型表现影响很小（约百分之零点几），并且可以明显减少显存占用。
- Batch size 增加三倍，和训练时长并没有相应地减小3倍。根据训练记录，batch size 越大，
data_time也越大，说明数据加载成为了限制训练速度的瓶颈。增大加载数据的进程数（num_workers）可以加快数据加载。
为了得到使用于本数据集的训练流水线，以 YOLOv5-s 模型为例，进行以下的消融实验。
| Aug Method | config | config | config | config | config |
|---|---|---|---|---|---|
| Mosaic | √ | √ | √ | √ | |
| Affine | √ | √ | √ | ||
| Albu | √ | √ | |||
| HSV | √ | √ | |||
| Flip | √ | ||||
| Val mAP | 0.507 | 0.550 | 0.572 | 0.567 | 0.575 |
结果表明，马赛克增强和随机仿射变换可以对验证集表现带来明显的提升。
在配置文件中，修改 load_from = None 即可不使用预训练权重。对不使用预训练权重的实验，将基础学习率增大四倍，训练轮数增加至 200 轮，保证模型得到充分的训练。
| Model | Epoch(best) | FLOPs(G) | Params(M) | Pretrain | Val mAP | Config |
|---|---|---|---|---|---|---|
| YOLOv5-s | 100(82) | 7.95 | 7.04 | Coco | 0.575 | config |
| YOLOv5-s | 200(145) | 7.95 | 7.04 | None | 0.565 | config |
| YOLOv6-s | 100(54) | 24.2 | 18.84 | Coco | 0.584 | config |
| YOLOv6-s | 200(188) | 24.2 | 18.84 | None | 0.557 | config |
训练过程中的损失下降对比图
损失下降的过程表明，使用预训练权重时，loss 下降得更快。可见即使是自然图像数据集上预训练的模型，在雷达图像数据集上微调，也可以加快收敛。
| Model | epoch(best) | FLOPs(G) | Params(M) | pretrain | val mAP | test mAP | Config | Log |
|---|---|---|---|---|---|---|---|---|
| YOLOv5-s | 100(82) | 7.95 | 7.04 | Coco | 0.575 | 0.584 | config | log |
| YOLOv5-m | 100(70) | 24.05 | 20.89 | Coco | 0.587 | 0.586 | config | log |
| YOLOv6-s | 100(54) | 24.2 | 18.84 | Coco | 0.584 | 0.594 | config | log |
| YOLOv6-m | 100(76) | 37.08 | 44.42 | Coco | 0.590 | 0.590 | config | log |
| YOLOv6-l | 100(76) | 71.33 | 58.47 | Coco | 0.605 | 0.597 | config | log |
| YOLOv7-tiny | 100(78) | 6.57 | 6.02 | Coco | 0.549 | 0.568 | config | log |
| YOLOv7-x | 100(58) | 94.27 | 70.85 | Coco | 0.602 | 0.595 | config | log |
| rtmdet-s | 100(64) | 14.76 | 8.86 | Coco | 0.581 | 0.571 | config | log |