论文《Dynamic Anchor Learning for Arbitrary-Oriented Object Detection》提出了一种对于遥感图像的旋转目标检测方法，作者提出了主要对于锚框质量的评估与损失函数的设计进行了精心设计。
论文: Dynamic Anchor Learning for Arbitrary-Oriented Object Detection
参考repo: https://github.com/ming71/DAL
在此非常感谢ming71贡献的DAL，提高了本repo复现论文的效率。
AI Studio体验教程: 运行一下 （已挂载相关数据集，省去修改路径步骤，模型测试、训练直接运行！）
Github复现地址: 点击查看
论文中采用的数据集之一为DOTA数据集，该数据集为高分辨率的遥感图像，数据集可在官网下载，本repo的复现精度如下，可下载训练好的模型（链接：https://pan.baidu.com/s/1YX9ttIQsof09fx-Cc-ubcA 提取码：1234）
注意：训练时采用Train+Val进行训练，测试时需要到官网的指定入口进行提交
| Dataset | Train | Val | Test | mAP(复现) | mAP(原论文) |
|---|---|---|---|---|---|
| DOTA | 1411 | 458 | 937 | 71.42 | 71.44 |
PaddlePaddle == develop版本 Cython == 0.29.17 imgaug == 0.4.0 ipdb
在AI Studio中，您可通过如下命令一件配置：
!mkdir /home/aistudio/external-libraries
!pip install Cython==0.29.17 -t /home/aistudio/external-libraries
!pip install imgaug==0.4.0 -t /home/aistudio/external-libraries
!pip install ipdb -t /home/aistudio/external-libraries此外，您需要编译Cython和CUDA的一些模块：
cd $ROOT/utils
sh make.sh
cd $ROOT/utils/overlaps_cuda
python setup.py build_ext --inplace
Installation for DOTA_devkit:
cd $ROOT/datasets/DOTA_devkit
sudo apt-get install swig
swig -c++ -python polyiou.i
python setup.py build_ext --inplace
对于DOTA数据集，其原图像尺寸在800×800~4000×13000像素之间，所以在训练时，采用离线裁剪的策略，即预先利用官方提供的数据集裁剪API进行处理，得到800×800的图像，程序如下：
from ImgSplit import splitbase
# 切割1411张train图片
split = splitbase('/home/aistudio/data/DOTA/train', # dataset ready to split
'/home/aistudio/data/DOTA/trainsplit', # where to save the splited images
gap=200,
subsize=800)
split.splitdata(1)
# 切割458张train图片
split = splitbase('/home/aistudio/data/DOTA/val', # dataset ready to split
'/home/aistudio/data/DOTA/valsplit', # where to save the splited images
gap=200,
subsize=800)
split.splitdata(1)提示：若直接利用上述AI Studio链接中的数据集，便可省去训练集切割操作，测试集仍需切割
# 切割937张test图片
import sys
sys.path.append('/home/aistudio/work/DAL/datasets/DOTA_devkit')
from SplitOnlyImage_multi_process import splitbase
split = splitbase(r'/home/aistudio/data/DOTA/test/images', # dataset ready to split
r'/home/aistudio/data/DOTA/testsplit/images', # where to save the splited images
gap=200,
subsize=800)
split.splitdata(1)数据集中图片经切割后，会生成对应的split文件夹，如trainsplit，valsplit，testsplit，然后运行datasets文件夹下的generate_imageset.py文件，生成训练时需要的图片路径.txt文件：
python datasets/generate_imageset.py --train-img-path="/home/aistudio/data/DOTA/trainsplit/images"
--val-img-path="/home/aistudio/data/DOTA/valsplit/images"
--save-dir="/home/aistudio/data/DOTA"
--mode="trainval"参数说明如下：
--train-img-path：train数据集经过切割后的图片文件夹路径
--val-img-path：val数据集经过切割后的图片文件夹路径
--save-dir：图片路径.txt文件保存路径
--mode：trainval、train、val（全量训练时选择trainval模式）上述步骤完成后，数据集总的目录结构如下所示：
DOTA
├── trainsplit
├── images
├── labelTxt
├── valsplit
├── images
├── labelTxt
├── testsplit
├── images
├── labelTxt
├── val
├── images
├── labelTxt
├── test
├── images
├── trainval.txt # 训练集图片路径
├── val.txt # 验证集图片路径DAL
├── README.md # 用户指南
├── tiny_dataset # 轻量级数据集
├── tiny_datasetsplit # 轻量级数据集
├── datasets # 各种数据集定义读取文件夹
├── DOTA_devkit # 官方提供的数据处理相关文件
├── dota_dataset.py # DOTA数据集读取
├── collater.py # 图片填充以及真实框的处理
├── generate_imageset.py # 生成数据集中所有图片的路径
├── models # 模型相关文件
├── model.py # DAL模型
├── fpn.py # FPN结构
├── anchors.py # 锚框生成
├── heads.py # 检测头:分类与回归相关函数
├── loss.py # 损失函数相关计算
├── test_tipc # TICP
├── # 具体见TICP部分文档
├── outputs # 输出的检测框信息（merged文件夹打包后提交官网）
├── utils # 一些工具（nms等）
├── train.py # 模型训练
├── val.py # 模型测试
├── infer.py # 模型推理
├── export_model.py # 模型导出
├── predicted.py # 单张图片预测
└── imgs # Markdown 图片资源在开始训练前，假如您已经按上述操作准备好了相关数据集以及相应配置，下面即可进行训练、测试。
bash train.sh
# 或在DAL目录下
python train.py --train-path="/home/aistudio/work/DAL/tiny_datasetsplit/train.txt" --test-path="/home/aistudio/work/DAL/tiny_dataset" --save-path="/home/aistudio/work/DAL/log" --epochs=10 --batch-size=4 --test_interval=2 --save_interval=5以上为小批量tiny数据的训练模式，若想启用全量训练，请修改参数如下：
--train-path="/home/aistudio/data/DOTA/trainval.txt" ## 修改为全量训练图片的.txt文件路径
--test-path="/home/aistudio/work/DAL/tiny_dataset" ## 可不修改，为观察训练过程中的mAP变化情况，也可将路径改为"/home/aistudio/data/DOTA/val"，即可在验证集上进行测试
--save-path="/home/aistudio/work/DAL/log" ## 不用改动
--epochs=130 ## 全量训练epoch为130
--batch-size=8 ## 全量训练batch_size为8
--test_interval=2 ## 训练多少轮验证一次，可根据实际情况修改
--save_interval=5 ## 训练多少轮保存一次模型，可根据实际情况修改test_path为测试的数据集路径（未经切割的），实际会自动测试切割好的split数据集，
weight_path为模型的路径，即期望利用哪个模型进行预测推理
conf为一个阈值，越小预测推理时间越慢，mAP也会稍有上升
bash val.sh
# 或在DAL目录下
python val.py --test-path="/home/aistudio/work/DAL/tiny_dataset"
--weight-path="/home/aistudio/weights/model_93.pdparams"
--conf=0.1当预测测试集时不会产生mAP的结果，只会产生对应的输出文件，因为测试集无标注信息，没有参考，在DAL/outputs路径下会产生三个文件夹，第一个是detections，为切割后的800*800每一张小图的预测结果，第二个是integrated，为每一个大图的所有预测结果，第三个merged，为所有目标框信息按类别分类的.txt文件，最后需将merged文件夹压缩后提交至DOTA v1 evaluation入口进行结果测试。
export_model.py为模型导出文件，可以将训练好的*.pdparams模型进行动转静，运行方式如下：
python export_model.py --model-path="/home/aistudio/weights/last.pdparams"infer.py为模型推理文件，输入一张图片利用静态模型进行推理，得到相应的物体框四点坐标，本文件在TIPC中会用到，任意输入一张图片，其推理结果如下图所示，输出坐标信息，并将检测框绘制到原图片上并保存。
您可通过如下方式运行：
python --infer.py --model-dir="export_model"
--img-path="tiny_datasetsplit/images/P0000__1__2400___3600.png"TIPC命令如下，执行完后根目录内会生成log文件夹，为运行结果的日志，详见TIPC文档:
bash test_tipc/test_train_inference_python.sh test_tipc/configs/DAL/train_infer_python.txt lite_train_lite_infer