2023 RoboMaster XJTLU Armor Keypoints Detection

Team: 动云科技GMaster战队

Author: 视觉组 张昱轩 zR

背景介绍:

动云科技GMaster战队2023赛季 YOLO 目标检测 装甲板四点模型 能量籍贯五点模型以及区域赛视觉识别板检测模型训练代码。
本仓库包含从数据集制作到推理部署全套代码。

注意

• 如果你需要下载仅有识别的代码，请克隆only-detect分支。
  
• 如果你正在寻找雷达小目标识别的代码，请前往这里

环境配置

我们团队的训练配置和推理配置如下

---

硬件设备	训练设备	推理设备
CPU	15 vCPU Intel(R) Xeon(R) Platinum 8358P CPU @ 2.60GHz	Inter NUC 11th 11350H
GPU	NVIDA A5000 x 8	Inter NUC 11th Xe核显
Memory	80GB	8GB

环境配置	训练设备	推理设备
OS	Ubuntu 20.04.5	Ubuntu 20.04.5
CUDA	11.3	\
OpenVINO	\	2022.2
Kernel	5.15.0	5.15.0
gcc/g++	9.4.0	9.4.0
cmake	\	3.16.3
Python	3.8.6	3.10.8
ONNX	1.13.0	1.15.0
Pytorch	1.11.0	\

注意

• 更详细的推理设备配置文件以及注意事项，请查看对应功能的README.md文件。

数据集格式和标注:

关键点检测(装甲板四点模型，能量机关五点模型)数据集格式说明:

对于每一份数据，包含两份文件，分别是:

• 一份图片放置在 images 目录下
• 一份对应的txt文件 1.txt 共一行，包含13个数据， 放置在 labels 目录下。其中每个数据的含义是:
  第0位: 装甲板的类别
  第1-4位: 装甲板标注锚框,用于目标检测。四个数的顺序是x,y,w,h，其中x,y,是锚框中心点的归一化坐标，w,h 是归一化相对宽高。
  第5-14位: 装甲板灯条的边界点，从前到后分别是:
  

• 左上角归一化坐标x1,y1
  
• 左下角归一化坐标x2,y2
  
• 右下角归一化坐标x3,y3
  
• 右上角归一化坐标x4,y4
  
• R点归一化坐标x5,y5(能量机关五点模型特有)
  注意 图片和标注的文件名必须完全相同

样例解释:

下图为一份数据集样例展示：

使用上交开源标注工具

• 1.jpg
  
  
• 1.txt
  2 0.498437 0.260417 0.328125 0.241667 0.357313 0.220757 0.361594 0.336893 0.659389 0.319064 0.651708 0.202737

使用Labelme标注工具

• 1.jpg
  
  
• 1.txt
  2 0.498437 0.260417 0.328125 0.241667 0.357313 0.220757 0.361594 0.336893 0.659389 0.319064 0.651708 0.202737

数据集标注方法:

前五位 (class,x,y,w,h):

• 使用 Labelimg 标注工具,使用该工具标注的结果能直接得出0-4位的值，无需调整，并将所有标注文件放在一个文件夹。

• 5-14位:
  

• 方法一 (快但不保证全对):

  • 使用 RoboMaster智能数据集标注工具 ，如果您使用的是这个工具标注，那么接下来的操作是:
    
    • 将所有标注文件放在一个文件夹
    • 使用 pre-processing_script/move_label.py 并链接两份同名的标注文件，得到最终的标注文件

• 方法二 (慢但细心标能全对):

  • 使用 Labelme 标注工具，使用该工具，你需要经历以下步骤:
    • 标注角点时，请按照5-12位的顺序标注，一定要标准
    • 将所有标注好的json文件放置于同一文件夹
    • 执行 pre-processing_script/change_json.py 并获得转换后的txt文件
    • 执行 pre-processing_script/move_label.py 并链接两份同名的标注文件，得到最终的标注文件

目标检测(视觉识别板)数据集格式说明:

我们团队使用 labelimg 工具进行标注并保存为yolo格式。
本代码基于 YoloV7 框架开发，理论上支持COCO类型数据集。

数据集信息

数据集来源:

装甲板四点模型

• 西交利物浦大学RM2023赛季场地数据集数据集录制约 2500张。
• RM视觉开源站数据集约 3000张。
• 视频内录约 15000张
• 共计约 20500张。 __数据集开源地址: __
• 注意 1.YOLO格式数据集中有部分数据集使用的也是四点格式，不影响使用。(YOLO格式按照识别版模型识别就行,只关注label，xywh)
  2.四点格式数据集中均为四点格式，数量较少。（人手真的不够，标不了）

能量机关五点模型

• 西交利物浦大学RM2023赛季场地数据集数据集录制约 1000张。
• 东北大学能量机关西交利物浦步兵相机内录数据集约 1100张。
• 手机模拟西交利物浦大学步兵相机内录场地风车数据集约 100张。
• 其他学校提供的内录视频并按照西交利物浦标注格式标注的数据集约 200张。
• 官方样例能量数据集约 500张。
• 共计约 3000张。
  
  

数据集开源地址: 链接: https://pan.baidu.com/s/1ayRI1MMw40ae4kuFZCXK_Q?pwd=XPGM 提取码: XPGM

视觉识别板检测模型

• 西交利物浦大学RM2023赛季场地数据集数据集录制 2000张。
• 共计 2000张。

数据集分配:

• 对于装甲板四点模型检测，数据共有14类，分别为:
  

---

编号	含义	序号	编号	含义	序号
B1	蓝方一号装甲板	0	R1	红方一号装甲板	7
B2	蓝方二号装甲板	1	R2	红方二号装甲板	8
B3	蓝方三号装甲板	2	R3	红方三号装甲板	9
B4	蓝方四号装甲板	3	R4	红方四号装甲板	10
B5	蓝方五号装甲板	4	R5	红方五号装甲板	11
BO	蓝方前哨站装甲板	5	RO	红方前哨站装甲板	12
BS	蓝方哨兵装甲板	6	RS	红方哨兵装甲板	13

• 对于能量机关五点模型检测，数据共有4类，分别为:
  

---

编号	含义	序号	编号	含义	序号
RR	红方待打击扇叶	0	BR	蓝方待打击扇叶	2
RW	红方已打击扇叶	1	BW	蓝方已打击扇叶	3

• 对于视觉识别板目标检测，数据共有4类，分别为:
  

---

编号	含义	序号	编号	含义	序号
BA	蓝方A识别板	0	RA	红方A识别板	2
BD	蓝方D识别板	1	RD	红方D识别板	3

注意 图片和标注的文件名必须完全相同。

• 如果该数据集类别顺序与你的不相符， 你可以使用pre-processing_script/change_change_label.py 脚本批量修改你的标签。或者修改代码成符合你的数据集顺序。
• 数据集按照 8:1:1的比例分配为训练集，验证集和测试集。 超参数设置:
  
• 训练超参数未对yolov7原本的超参数进行过多的调整，主要调整了数据集增强的部分。关闭了上下，左右的反转。同时修改了一些其他数据预处理参数。

训练流程

Train:

Single GPU:

python train.py --workers 8 --device 0 --batch-size 32 --data data/armor/armor_detect.yaml --img 640 640 --cfg cfg/armor/yolov8-0.5-SimAM-armor.yaml --weights 'yolov7.pt' --name yolov7 --hyp data/hyp.armor.yaml

Muti GPUs:

python -m torch.distributed.launch --nproc_per_node 8 train.py --workers 96 --batch-size 256 --data data/armor/armor_detect.yaml --img 640 640 -cfg cfg/armor/yolov8-0.5-SimAM-armor.yaml --weights 'yolov7.pt' --name yolov7 --hyp data/hyp.armor.yaml

Inference:

On Videos and Image:

python detect.py --weights yolov7_armor.pt --conf 0.25 --img-size 640 --source yourvideo.mp4

效果展示:

• inference.jpg
  

Export:

• 导出ONNX文件:
  python export.py --weights yolov7_armor.pt --simplify --iou-thres 0.65 --conf-thres 0.7 --img-size 416 416 --max-wh 416
• 如果你需要将onnx文件转换为Openvino文件,你还需要执行以下步骤:
  
  • 安装 OpenVINO推理引擎，安装教程请查看OpenVINO安装指南
  • 在安装的Python环境下，执行
    mo --input_model /path/to/your_models.onnx --output_dir /path/to/out_dir
  • 将转换得到的xml, bin, mapping 文件放置在一个文件夹，便接入C++推理
• 目前支持onnx12,13,14,15版本的导出

Inference in Openvino (x86)

• Openvino推理代码位于文件夹 C++_inference_openvino_kpt 中，仅做简单推理，请根据需求自行接入工程。
• 如果推理图像修改，工程中的anchor和图像大小也需要修改，anchor修改请执行pre-processing_script/change_anchor.py

总结

• 该项目针对RMUC2023赛季，感谢大家，由于本人已经退役，本项目不在维护。
• 如果你对该项目有兴趣，可以联系我们团队。
• 感谢西浦GMaster战队在比赛期间标注数据的嵌入式组和机械组的战友，你们都为视觉组做出了一份重要的贡献！

联系方式

• 作者微信: zR_ZYX
• 作者邮箱: Yuxuan.Zhang2104@student.xjtlu.edu.cn
• 团队邮箱: TeamGMaster@xjtlu.edu.cn