华为云杯2020深圳开放数据应用创新大赛·生活垃圾图片分类（目标检测）资源文件
简介
本资源文件是为“华为云杯”2020深圳开放数据应用创新大赛·生活垃圾图片分类（目标检测）任务提供的相关资源。该比赛旨在利用人工智能技术对居民生活垃圾图片进行检测，找出图片中有哪些类别的垃圾，并指示出垃圾在图片中的位置。
内容概述
本资源文件包含了以下内容：
- 数据集：提供了用于训练和测试的生活垃圾图片数据集。
- 代码：提供了基于YOLOv3的PyTorch实现代码，用于目标检测任务。
- 训练策略：详细介绍了训练过程中使用的策略，包括学习率调整、多尺度训练等。
- 调参技巧：分享了在数据集上有效的调参技巧，以及一些尝试但效果不佳的技巧。
- 模型评估：提供了模型评估的命令和方法。
- 提交指南：详细说明了如何生成提交文件并上传到华为云平台。
使用说明
数据集
数据集包含了大量生活垃圾图片，每张图片都标注了垃圾的类别和位置。数据集分为训练集和验证集，比例为9:1。
代码
代码基于YOLOv3实现，使用了PyTorch框架。代码结构如下：
models/：包含模型定义文件。utils/：包含各种辅助函数，如数据增强、损失计算等。train.py：训练脚本。test.py：测试脚本。gen_submit_dir.py：生成提交文件的脚本。
训练策略
训练过程中使用了以下策略：
- 学习率调整：采用了余弦退火学习率调整策略。
- 多尺度训练：在训练过程中随机调整输入图像的尺寸。
- 数据增强：使用了多种数据增强技术，如随机翻转、HSV增强等。
调参技巧
在数据集上有效的调参技巧包括：
- SPP结构：在网络中加入空间金字塔池化层。
- K-means聚类：使用K-means算法聚类锚点。
- Stitcher增强：使用Stitcher数据增强技术。
模型评估
使用test.py脚本进行模型评估，命令如下：
python3 test.py --cfg trained_models/baseline-stitcher/yolov3-spp-44.cfg --data data/rubbish.data --weights trained_models/baseline-stitcher/best.pt --batch-size 8
提交指南
生成提交文件的命令如下：
python gen_submit_dir.py -m trained_models/baseline-stitcher -s submit/baseline-stitcher
生成的提交文件需要上传到华为云的OBS云存储中，然后部署到ModelArts中进行提交。
参考资料
本资源文件的详细内容和思路分享可以参考以下文章：
致谢
感谢华为云提供的比赛平台和数据支持，感谢所有参与者的贡献。