• detection algorithm: Cascade R-CNN
• backbone: ResNet101 + FPN + DCN
• post process: soft nms
• 基于mmdetection
• 根据数据分为前视声呐和侧扫声呐的特点，分成两个分布来训练

• OS: Ubuntu16.10
• GPU: 2080Ti * 4
• python: python3.7
• nvidia 依赖:
  • cuda: 10.0.130
  • cudnn: 7.5.1
  • nvidia driver version: 430.14

• 依赖安装编译

  1. 创建并激活虚拟环境 conda create -n underwater python=3.7 -y conda activate underwater

  2. 安装 pytorch conda install pytorch=1.1.0 torchvision=0.3.0 cudatoolkit=10.0 -c pytorch

  3. 安装其他依赖 pip install cython && pip --no-cache-dir install -r requirements.txt

  4. 编译cuda op等： python setup.py develop

• 数据准备

1. 将测试集中前视声呐图片放置于 data/b-test-image/image/Forward_looking_sonar_image 目录下

2. 将测试集中侧扫声呐图片放置于 data/b-test-image/image/Side_scan_sonar_image 目录下

3. 运行 python tools/data_process/generate_test_json.py

4. 从百度网盘： 链接： https://pan.baidu.com/s/11ObvDssM8sWbCZJdbhkKXA 提取码：bk1d

下载模型文件forward_epoch12.pth 和side_epoch12.pth 分别放置于：

work_dirs/forward/cas_r101_dcn_fpn_1x_fixbn_vflip/forward_epoch_12.pth

work_dirs/side_all/cas_r101_dcn_fpn_1x_vflip/side_epoch_12.pth

• 预测

1. 运行:

    chmod +x tools/dist_test.sh

    ./tools/dist_test.sh configs/underwater/cas_r101/cas_r101_dcn_forward.py work_dirs/forward/cas_r101_dcn_fpn_1x_fixbn_vflip/forward_epoch_12.pth 4 --json_out results_testb/cas_r101_dcn_forward_vflip_flip_3scale.json

    (上面的4是我的gpu数量，请自行修改)
    
    ./tools/dist_test.sh configs/underwater/cas_r101/cas_r101_dcn_side_all.py work_dirs/side_all/cas_r101_dcn_fpn_1x_vflip/side_epoch_12.pth 4 --json_out results_testb/cas_r101_dcn_side_all_vflip_flip_3scale.json

    (上面的4是我的gpu数量，请自行修改)


2. 预测结果文件会保存在 results_testb 目录下

3. 转化mmd预测结果为提交csv格式文件：
   
   python tools/post_process/json2submit_testb.py --submit_file submit.csv
   

   最终符合官方要求格式的提交文件 submit.csv 位于 submit_testb 目录下

author：rill

email：18813124313@163.com