README.md

# HDETR
## 论文
[DETRs with Hybrid Matching](https://arxiv.org/abs/2207.13080)

## 模型结构
基于DETR结构, 在匹配阶段加入一对多的匹配分支。

<div align=center>
    <img src="./doc/hybrid.png"/>
</div>

## 算法原理
H-DETR引入一对多匹配分支, 将原始的一对一匹配分支与一个辅助的一对多匹配分支结合起来, 允许多个查询分配给每个正样本, 增加正样本查询数量, 提高训练效果。此外, H-DETR在推理过程中仍然使用原始的一对一匹配分支, 以保持DETR的优势。

<div align=center>
    <img src="./doc/methods.png"/>
</div>

## 环境配置

注意:requirements.txt安装完成后,还需要额外安装下列包

```
pip install openmim
mim install mmcv-full  （注意版本是不是1.7.1）
pip install mmdet==2.26.0 （对应mmcv 1.7.1）
```

-v 路径、docker_name和imageID根据实际情况修改

### Docker（方法一）

```
docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk-23.04.1-py38-latest
docker run -it -v /path/your_code_data/:/path/ your_code_data/ --shm-size=80G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash

cd /your_code_path/hdetr_pytorch
pip install -r requirements.txt
```

### Dockerfile（方法二）

```
cd ./docker
cp ../requirements.txt requirements.txt

docker build --no-cache -t hdetr:latest .
docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=80G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
```

### Anaconda（方法三）

1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装: https://developer.hpccube.com/tool/

```
DTK软件栈: dtk23.04.1
python: python3.8
torch: 1.13.1
torchvision: 0.14.1
```

Tips:以上dtk软件栈、python、torch等DCU相关工具版本需要严格一一对应

2、其他非特殊库直接按照requirements.txt安装

```
pip3 install -r requirements.txt
```

## 数据集

COCO2017

[训练数据](http://images.cocodataset.org/zips/train2017.zip)

[验证数据](http://images.cocodataset.org/zips/val2017.zip)

[测试数据](http://images.cocodataset.org/zips/test2017.zip)

[标签数据](https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels.zip)

数据集的目录结构如下:

```
├── COCO2017
│   ├── images
│       ├── train2017
│       ├── val2017
│       └── test2017
│   ├── annotations
│       ├── instances_train2017.json
│       └── instances_val2017.json
```

训练/验证集数据准备:

训练/验证集都是采用的COCO的数据格式, 如果使用自己的标注数据, 请先将标注数据转换成COCO的格式, 并按照上面的目录结构进行存放。

## 训练

训练前的准备工作:

1. 进行下面步骤编译

```
cd ./models/ops
bash ./make.sh
cd ../../
```

2. 选择需要训练的模型的config, config path 为需要训练的模型属性config文件地址, coco path 为当前环境中训练数据对应地址

Tips:

1. 如果有预训练模型, 修改config中的 --pretrained_backbone_path 为保存的预训练模型地址

2. 如果使用backbone为swin, 可前往 https://github.com/microsoft/Swin-Transformer 选择对应的预训练模型后再进行训练步骤

3. 如果out_of_memory, 设置--batch_size大小, 当前默认为2

### 单机单卡

```
bash ./train.sh
```

### 单机多卡

```
bash ./train_multi.sh
```

## 推理

验证前需提前准备好预训练模型, checkpoint path 为模型地址,  coco path 为当前环境中推理数据的对应地址, 数据应为COCO数据格式。

如没有预训练模型, 可从 参考资料 中提供的模型下载, 选择模型对应的config后进行效果验证。

如果想要查看预测效果（预测结果输出到图片上）, 请执行:

```
python test.py --pre_trained_model <checkpoint path> --coco_path <coco path>
```

其余对应参数与训练模型参数需一致, 详情请参考代码里面的参数配置:

#### 单卡推理

```
bash val.sh
```

#### 多卡推理

```
bash val_multi.sh
```

## result

COCO2017测试集上的单张图像结果展示:

<div align=center>
    <img src="./doc/results.jpg"/>
</div>

### 精度

在COCO2017的测试集上进行单卡测试, 结果如下表所示:

根据测试结果情况填写表格:
| Name     | Backbone | query | epochs | AP |
| :--------: | :------: | :------: | :------: | :------: |
| H-Deformable-DETR + tricks(our) | R50 | 300 | 12 | xxx  |
| H-Deformable-DETR + tricks | R50 | 300 | 12 | 48.7 |


## 应用场景
### 算法类别
目标检测

### 热点应用行业
网安,交通,政府


## 源码仓库及问题反馈
https://developer.hpccube.com/codes/modelzoo/hdetr_pytorch

## 参考资料
https://github.com/HDETR/H-Deformable-DETR