2023 RoboMaster XJTLU Radar Object Detection

Team: 动云科技GMaster战队

Author: 视觉组 张昱轩 zR

功能介绍

动云科技GMaster战队2023赛季 yolo目标检测 雷达小目标模型训练代码。
本仓库包含从数据集制作到推理部署全套代码。并分为Anchor_free 和 Anchor_base两种检测头(yolov7,yolov8) 机制，其对应的文件夹分别为 anchor_free和anchor_base
由于算法的不同，两种算法的训练，后处理方式和推理方式是不同的，故两份代码中将会包含以下文件。

yolo_anchorfree/anchorbase_rader: 检测网络训练框架
C++_inference_Openvino_radar(Only Anchor_base): OpenVINO推理代码（用于Inter的CPU和GPU推理加速)
C++_inference_TensorRT_radar: TensorRT推理代码（用于NVIDIA的GPU推理加速)

注意

• 由于团队在2022年11月已经弃用OpenVINO推理加速。故该部分代码不会继续维护。同时，也不在提供Anchor_free版本的OpenVINO推理代码，如有需要，可以参考以下方式进行修改：
  • YOLOX OpenVINO推理模型
  • 2023 RoboMaster XJTLU Armor Keypoints Detection 关键点模型OpenVINO推理代码(即将开源)。
• 请仔细阅读每份代码的README.md文件。
• 如果你需要下载最新版本的代码，请克隆dev分支，最新的代码无法保证性能稳定。

环境配置

我们团队的训练配置和推理配置如下

---

硬件设备	训练设备	推理设备
CPU	15 vCPU Intel(R) Xeon(R) Platinum 8358P CPU @ 2.60GHz	12th Gen Intel i7-12700
GPU	NVIDA A5000 x 8	NVIDA RTX3060 12GB / Inter A750
Memory	80GB	16GB

环境配置	训练设备	推理设备
OS	Ubuntu 20.04.5	Ubuntu 20.04.5
CUDA	11.3	11.8
Kernel	5.15.0	5.15.0
gcc/g++	9.4.0	9.4.0
cmake	\	3.16.3
Python	3.8.6	3.10.8
ONNX	1.13.0	1.13.0
Pytorch	1.11.0	\

注意

• 更详细的推理设备配置文件以及注意事项，请查看对应功能的README.md文件。

数据集

数据集格式和标注方法

我们团队使用 labelimg 工具进行标注并保存为yolo格式。
本代码基于 YOLOv7 框架开发，理论上支持COCO类型数据集。

数据集信息

数据集来源:

西交利物浦大学雷达小目标数据集

• 西浦苏州工业园区校区无人机模拟雷达视角操场录制数据集 6100张
• 西浦太仓校区雷达站录制数据集 800张
• 西浦2023年北部赛区雷达内录 2260张
• 西浦2023年全国赛雷达内 2060张 数据集开源地址: 链接: https://pan.baidu.com/s/1ayRI1MMw40ae4kuFZCXK_Q?pwd=XPGM 提取码: XPGM

数据集分配:

• 数据共有14类，分别为

---

编号	含义	序号	编号	含义	序号
B1	蓝方一号装甲板	0	R1	红方一号装甲板	7
B2	蓝方二号装甲板	1	R2	红方二号装甲板	8
B3	蓝方三号装甲板	2	R3	红方三号装甲板	9
B4	蓝方四号装甲板	3	R4	红方四号装甲板	10
B5	蓝方五号装甲板	4	R5	红方五号装甲板	11
BO	蓝方前哨站装甲板	5	RO	红方前哨站装甲板	12
BS	蓝方哨兵装甲板	6	RS	红方哨兵装甲板	13
BB	蓝方基地飞镖打击装甲	14	RB	红方基地飞镖打击装甲板	15

• 如果该数据集类别顺序与你的不相符， 你可以使用pre-processing_script/change_change_label.py 脚本批量修改你的标签。或者修改代码成符合你的数据集顺序。
• 数据集按照 8:1:1的比例分配为训练集，验证集和测试集。 超参数设置:
  
• 训练超参数未对yolov7/yolov8原本的超参数进行过多的调整，主要调整了数据集增强的部分。关闭了上下，左右的反转。同时修改了一些其他数据预处理参数。

训练流程

Train:

Single GPU:

python train.py --workers 8 --device 0 --batch-size 8 --data data/armor-radar.yaml --img 640 640 --cfg cfg/GMaster/yolov7_4anchor.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.tiny.yaml

Muti GPUs:

python -m torch.distributed.launch --nproc_per_node 8 train.py --workers 64 --batch-size 64

Inference:

On Videos and Image:

python detect.py --weights yolov7_armor.pt --conf 0.25 --img-size 640 --source yourvideo.mp4

Export:

• Pytorch to ONNX:
  
  • 导出方法与YoloV7官方方法相同，如果部署在TensorRT上，建议使用Deploy的训练方式，便于导出。
• ONNX to OpenVINO:
  
  • 将ONNX文件转换为OpenVINO文件 仅需要执行以下步骤:
    
  • 在安装OpenVINO 的Python环境下，执行
    mo --input_model /path/to/your_models.onnx --output_dir /path/to/out_dir
  • 将转换得到的xml, bin, mapping 文件放置在一个文件夹，接入推理代码。
  • 建议使用 ONNX version == 13.0 作为ONNX中间导出版本。
• ONNX to TensorRT:
  
  • 在安装TensorRT 的推理设备上将onnx文件转换为引擎文件，仅需执行以下步骤:
    /usr/src/tensorrt/bin/trtexec --onnx=your_models.onnx --saveEngine=your_models.FP32.trtmodel
    FP16,INT8的方法测试可用，均可使用TensorRT自带的工具实现。
  • 将转换后的引擎文件接入推理代码。
  • 建议使用 ONNX version >= 15.0 <=17.0 作为ONNX中间导出版本。
• Pytorch to TenosrRT & OpenVINO :
  
  • 本算法框架是继承Yolov7的算法框架并进行二次开发，理论上可以直接从Pytorch直接导出至TensorRT或OpenVINO引擎。
  • 由于我们团队的训练和推理不在一台机器上，故没有进行相关方面的尝试，使用者可自行尝试。

效果展示

部署和推理

注意

• anchor_free和anchor_base的推理代码并不相同。但在本份代码中，我们团队都使用了近似的命名方式和解构，便于使用者理解。
• 使用前请检查硬件和系统配置是否满足要求。

Inference in OpenVINO (x86):

若使用anchor_base进行推理，工程中设定的anchor需要根据实际的应用场景进行人工调整，anchor修改请执行pre-processing_script/change_anchor.py 。

• OpenVINO推理代码位于文件夹 C++_inference_OpenVINO_radar 中，仅做简单推理，请根据需求自行接入工程。
• 更多使用说明，请查看C++_inference_OpenVINO_radar中的README.md文件。

Inference in TensorRT (arm & x86):

• OpenVINO推理代码位于文件夹 C++_inference_TensorRT_radar 中，仅做简单推理，请根据需求自行接入工程。
• anchor信息会根根据导出的anchor信息锁定，无法修改，请提前人工设定好anchor。
• 更多使用说明，请查看C++_inference_TensorRT_radar中的README.md文件。

总结

• 该项目针对RMUC2023赛季，感谢大家，由于本人已经退役，本项目不在维护。
• 如果你对该项目有兴趣，可以联系我们团队。

联系方式

• 团队邮箱: TeamGMaster@xjtlu.edu.cn