提醒

由于个人版本修改较多，记不清哪个配置可以达到线上0.97。

声明

由于竞赛平台协议有规定，未经许可暂不能公开数据集，非常抱歉。

可修改的地方:

1. dataloader.py 中Resize函数的图像尺寸，越大效果越好。
2. main.py 中的模型 depth ，越大效果越好。
3. 更有效的办法就是做数据扩充，增加数据量。

1. 比赛地址

智能盘点—钢筋数量AI识别

2. 依赖

pytorch0.4.1,opencv-python,skimage

3. 使用方法

step0: 安装

git clone https://github.com/spytensor/detect_steel_bar.git
detect_steel_bar/retinanet/lib/
bash build.sh
cd ../../

step1: 下载数据解压后，将训练数据和测试数据放到 data/images/下，效果如下：

 - data/
    - images/
        train/
        test/

step2: 将训练标签文件 train_labels.csv 复制到 data/ 下，效果如下：

- data/
    train_labels.csv

step3: 将官方提高数据转变成可供Retinanet训练格式

cd data
python convert.py
cd ..

step4: 训练

python retinanet/main.py

step5: 预测

python retinanet/predict.py

4. 效果

线上 0.97+

5. 参考

pytorch-retinanet

6. 提醒

如有疑问，请提出 issue，编码问题请自行谷歌。