update readme and main.py

README.md

@@ -3,14 +3,14 @@
 [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。
+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。
+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"/>
@@ -34,7 +34,7 @@ pip install mmdet==2.26.0 （对应mmcv 1.7.1）
 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
+cd /your_code_path/hdetr_pytorch
 pip install -r requirements.txt
 ```
 
@@ -50,16 +50,16 @@ docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=80G --p
 
 ### 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/
+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
+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
+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
 
@@ -79,7 +79,7 @@ COCO2017
 
 [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：
+数据集的目录结构如下:
 
 ```
 ├── COCO2017
@@ -92,81 +92,57 @@ COCO2017
 │       └── instances_val2017.json
 ```
 
-训练/验证集数据准备：
+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/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：
+训练前的准备工作:
 
 1. 进行下面步骤编译
 
 ```
 cd ./models/ops
 bash ./make.sh
-```
-
-2. 进行单元测试，需要所有的结果都为TRUE
-
-```
-python test.py
 cd ../../
 ```
 
-3. 选择需要训练的模型的config, 设置<config path>为需要训练的模型属性, 设置<coco path>为当前环境中训练数据对应地址。
+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；
+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。
+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
+bash ./train.sh
 ```
 
 ### 单机多卡
 
 ```
-bash train_multi.sh
-```
-
-### 多机多卡
-
-#### slurm cluster训练方式
-
-<partition> 分区名称
-<job_name> 本次执行的任务名称，建议可以使用{模型}_卡数_单卡bs_日期进行命名
-<config path> 需要训练的模型属性, 参见configs文件夹下选择
-
-1 node with 4 DCUs:
-
-```
-GPUS_PER_NODE=4 ./tools/run_dist_slurm.sh <partition> <job_name> 4 <config path>
-```
-
-2 nodes(example is 2) of each with 4 DCUs:
-
-```
-GPUS_PER_NODE=4 ./tools/run_dist_slurm.sh <partition> <job_name> 8 <config path>
+bash ./train_multi.sh
 ```
 
 ## 推理
 
-验证前需提前准备好预训练模型，<checkpoint path>设置为模型地址，<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。
+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：
+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：
+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
 
@@ -182,7 +158,7 @@ bash val_multi.sh
 
 ## result
 
-COCO2017测试集上的单张图像结果展示：
+COCO2017测试集上的单张图像结果展示:
 
 <div align=center>
     <img src="./doc/results.jpg"/>
@@ -190,9 +166,9 @@ COCO2017测试集上的单张图像结果展示：
 
 ### 精度
 
-在COCO2017的测试集上进行单卡测试，结果如下表所示
+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：
+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  |

main.py

@@ -45,7 +45,7 @@ def get_args_parser():
         nargs="+",
     )
     parser.add_argument("--lr_linear_proj_mult", default=0.1, type=float)
-    parser.add_argument("--batch_size", default=4, type=int)
+    parser.add_argument("--batch_size", default=2, type=int)
     parser.add_argument("--weight_decay", default=1e-4, type=float)
     parser.add_argument("--epochs", default=50, type=int)
     parser.add_argument("--lr_drop", default=40, type=int)

val_multi.sh

@@ -4,6 +4,7 @@ export HSA_FORCE_FINE_GRAIN_PCIE=1
 export USE_MIOPEN_BATCHNORM=1
 
 # coco_path是训练数据集地址，数据是coco format
+
 GPUS_PER_NODE=4 ./tools/run_dist_launch.sh 4 <config path> \
     --coco_path <coco path> \
     --resume <checkpoint path> \