添加小数据集

.gitignore

@@ -2,9 +2,7 @@
 *.pth
 backup/
 proxy.sh
-datasets/annotations/
-datasets/train2017/
-datasets/val2017/
+datasets_backup/
 logs/
 *.onnx
 *.log
\ No newline at end of file

README.md

@@ -3,7 +3,7 @@
 `DETRs Beat YOLOs on Real-time Object Detection`
 - https://arxiv.org/abs/2304.08069
 ## 模型结构
-RT-DETR是一种先进的实时物体检测器，它建立在视觉转换器（Vision Transformer）架构之上：
+RT-DETR是一种端到端的实时物体检测器，它建立在视觉转换器（Vision Transformer）架构之上：
 模型利用主干网络的最后三个阶段的输出特征{S3，S4，S5}作为编码器的输入；
 混合编码器通过度内特征交互（AIFI）和跨尺度特征融合模块（CCFM）将多尺度特征转换成图像特征序列；
 随后采用loU感知查询选择从编码器输出的特征序列中选择固定数量的特征，作为解码器的初始目标查询；
@@ -21,7 +21,7 @@ RT-DETR-R50/101 做主干方便和现有的 DETR 变体进行对比，而 RT-DET
 它首先将二维的 S5 特征拉成向量，然后交给 AIFI 模块处理，其数学过程就是多头自注意力与 FFN，随后，再将输出 Reshape 回二维，记作 F5，以便去完成后续的所谓的“跨尺度特征融合”。
 CCFM模块是由 2 个 1×1 卷积和 N 个 RepBlock 构成的，通过调整 CCFM 中 RepBlock 的数量和 Encoder 的编码维度分别控制 Hybrid Encoder 的深度和宽度，同时对 backbone 进行相应的调整即可实现检测器的缩放。
 
-3、loU：过在训练期间约束检测器对高 IoU 的特征产生高分类分数，对低 IoU 的特征产生低分类分数。从而使得模型根据分类分数选择的 Top-K 特征对应的预测框同时具有高分类分数和高 IoU 分数。
+3、loU：在训练期间约束检测器对高 IoU 的特征产生高分类分数，对低 IoU 的特征产生低分类分数。从而使得模型根据分类分数选择的 Top-K 特征对应的预测框同时具有高分类分数和高 IoU 分数。
 
 4、解码器：支持不同层数的灵活推理，无需重训练。
 
@@ -29,12 +29,6 @@ CCFM模块是由 2 个 1×1 卷积和 N 个 RepBlock 构成的，通过调整 CC
     <img src="./doc/RT-DETR.PNG"/>
 </div>
 
-## 代码改动说明
-项目要求torch==2.0.1、torchvision==0.15.2，dcu的torch==2.1.0、torchvision==0.16.0版本过高。
-问题主要集中在torchvison.datapoints、torchvison.transformers等库的调用中，其中torchvision的datapoints依赖库在高版本中完全被移除了。
-因此进行了代码适配修改，根据api替换了一遍，由于修改过多不再一一展示，可在仓库内搜索"TODO"查看。
-ps：仓库中是改动后的代码，不需再次修改
-
 ## 环境配置
 ### Docker（方法一）
 ```
@@ -78,9 +72,9 @@ pip install -r requirements.txt
 ## 数据集
 ### 训练数据集
 `Coco2017`
-仅需要annotations_trainval2017.zip、val2017.zip、train2017.zip作为数据集。可通过[scnet](http://113.200.138.88:18080/aidatasets/coco2017) 或[官网链接](https://cocodataset.org/#download)进行下载，下载后的压缩包需要解压缩。通过官网下载和解压数据集的代码如下：
+仅需要annotations_trainval2017.zip、val2017.zip、train2017.zip作为数据集。可通过[scnet](http://113.200.138.88:18080/aidatasets/coco2017) 或[官网链接](https://cocodataset.org/#download) 进行下载，下载后的压缩包需要解压缩。通过官网下载和解压完整数据集的代码如下：
 
-ps：本仓库内准备了小数据集供训练测试，位于。。。。。
+ps：本仓库内已准备了小数据集供训练测试，位于dataset/
 
 ```
 cd RT-DETR/datasets

dataset_cat.py

+# coding:utf-8
+import os
+import shutil
+
+def extract_data(source_folder, target_folder,feat_number):
+    # 创建目标文件夹
+    if not os.path.exists(target_folder):
+        os.makedirs(target_folder)
+
+    # 遍历源文件夹中的每个子文件夹
+    for subdir in os.listdir(source_folder):
+        subdir_path = os.path.join(source_folder, subdir)
+        # 获取子文件夹中的前n个文件,os.scandir防止文件过多逐个遍历
+        i=0
+        if os.path.isdir(subdir_path):
+            for entry in os.scandir(subdir_path):
+                if i == feat_number:
+                    break
+                else:
+                    i=i+1
+                if entry.is_file():
+                    file_path = os.path.join(subdir_path, entry.name)
+                    print(os.path.join(target_folder, subdir_path.split(os.sep)[-1]))
+                    os.makedirs(os.path.join(target_folder, subdir_path.split(os.sep)[-1]), exist_ok=True)
+                    shutil.copy(file_path, os.path.join(target_folder, subdir_path.split(os.sep)[-1]))
+                    print(f"Extracted {entry.name} from {subdir}")
+
+def main(source_folder, target_folder,feat_number):
+
+    extract_data(source_folder, target_folder,feat_number)
+
+
+if __name__ == "__main__":
+    import argparse
+
+    parser = argparse.ArgumentParser()
+    parser.add_argument("--source_folder", type=str)
+    parser.add_argument("--target_folder", type=str)
+    parser.add_argument("--feat_number", type=int)
+
+    args = parser.parse_args()
+
+    main(args.source_folder, args.target_folder,args.feat_number)
\ No newline at end of file