亚马逊云科技 AI For Good-2022 优秀方案开源分享—爱对不队

Amazon SageMaker
0
0
{"value":"来自中国地质大学优秀毕业生耿栋同学带领的爱对不队团队在刚刚结束的【亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛】中斩获第4名的优异成绩。本次赛事聚焦遥感光学目标检测,存在图像尺寸大、目标角度各异等诸多难点,挑战难度高。为此,爱对不队团队为我们分享了他们在比赛中采用的算法策略与开发体验。\n\n![1.jpg](https://dev-media.amazoncloud.cn/b606c83915404025aba0ee5d536fa790_1.jpg)\n\n#### **01 算法策略**\n\n爱对不队团队:此次比赛,使用 DOTA V2 数据集,卫星、航飞光学影像上对18个类别进行检测,由于原始数据集中图像过大,难以训练,故将训练数据集以及测试数据集以512的步长切分为1024*1024的图像块。\nDOTA V2 数据集有以下特点:\n\n1. 小目标的数量众多,排列密集或稀疏,中大目标的数量较少;\n\n2. 小目标的分布均匀,中大目标相比而言严重分布不均;\n\n3. 由于遥感图像需要进行切割,因此会加剧目标分布不均的情况。\n\n4. 类间极度不平衡。\n\n使用旋转等数据增强手段,扩增数量少的数据。\n\n\n\n爱对不队团队:我选择使用由胡凯旋改进的 YOLO V5 OBB 进行旋转框检测。\ngithub 地址:[https://github.com/hukaixuan19970627/yolov5_obb](https://github.com/hukaixuan19970627/yolov5_obb)\n\n该模型在 YOLO V5 的基础上,添加旋转角度检测,使用 Circular Smooth Label + 长边定义法,将旋转角度由回归转化为分类。\n\n![2.png](https://dev-media.amazoncloud.cn/6e3ce3fe7724454ea97b3f54c58612ff_2.png)\n\n#### **02 开发体验**\n\n本次赛事中,爱对不队团队使用了 Amazon Sagemaker jupyter 进行训练。\n\n**爱对不队团队**:产品还是比较厉害的,使用比较方便,云端训练解决了本地服务器机器性能不够的问题。Amazon Sagemaker 使用方便快捷,灵活,写代码调试与本地没什么区别,大大提高了模型训练测试的效率。在比赛训练时,我们使用了 Sagemaker 的 jupyter 来进行的训练,里面有充足的算力资源和深度学习框架,上传DOTA数据集和自己的代码就可以云上完成训练,弥补了本地资源不充足的情况。\n\n![3.png](https://dev-media.amazoncloud.cn/c28eef9b7d6f41d88fec4d3020b9f878_3.png)\n\n本次亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛赛题难度较大,爱对不对团队以 YOLO V5_OBB 为基线算法,取得了优异的成绩,同时 Amazon Sagemaker 也为模型提供了良好的训练环境,希望爱对不对团队的算法策略能够为广大开发者提供有益启发。","render":"<p>来自中国地质大学优秀毕业生耿栋同学带领的爱对不队团队在刚刚结束的【亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛】中斩获第4名的优异成绩。本次赛事聚焦遥感光学目标检测,存在图像尺寸大、目标角度各异等诸多难点,挑战难度高。为此,爱对不队团队为我们分享了他们在比赛中采用的算法策略与开发体验。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/b606c83915404025aba0ee5d536fa790_1.jpg\" alt=\"1.jpg\" /></p>\n<h4><a id=\"01__4\"></a><strong>01 算法策略</strong></h4>\n<p>爱对不队团队:此次比赛,使用 DOTA V2 数据集,卫星、航飞光学影像上对18个类别进行检测,由于原始数据集中图像过大,难以训练,故将训练数据集以及测试数据集以512的步长切分为1024*1024的图像块。<br />\nDOTA V2 数据集有以下特点:</p>\n<ol>\n<li>\n<p>小目标的数量众多,排列密集或稀疏,中大目标的数量较少;</p>\n</li>\n<li>\n<p>小目标的分布均匀,中大目标相比而言严重分布不均;</p>\n</li>\n<li>\n<p>由于遥感图像需要进行切割,因此会加剧目标分布不均的情况。</p>\n</li>\n<li>\n<p>类间极度不平衡。</p>\n</li>\n</ol>\n<p>使用旋转等数据增强手段,扩增数量少的数据。</p>\n<p>爱对不队团队:我选择使用由胡凯旋改进的 YOLO V5 OBB 进行旋转框检测。<br />\ngithub 地址:<a href=\"https://github.com/hukaixuan19970627/yolov5_obb\" target=\"_blank\">https://github.com/hukaixuan19970627/yolov5_obb</a></p>\n<p>该模型在 YOLO V5 的基础上,添加旋转角度检测,使用 Circular Smooth Label + 长边定义法,将旋转角度由回归转化为分类。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/6e3ce3fe7724454ea97b3f54c58612ff_2.png\" alt=\"2.png\" /></p>\n<h4><a id=\"02__28\"></a><strong>02 开发体验</strong></h4>\n<p>本次赛事中,爱对不队团队使用了 Amazon Sagemaker jupyter 进行训练。</p>\n<p><strong>爱对不队团队</strong>:产品还是比较厉害的,使用比较方便,云端训练解决了本地服务器机器性能不够的问题。Amazon Sagemaker 使用方便快捷,灵活,写代码调试与本地没什么区别,大大提高了模型训练测试的效率。在比赛训练时,我们使用了 Sagemaker 的 jupyter 来进行的训练,里面有充足的算力资源和深度学习框架,上传DOTA数据集和自己的代码就可以云上完成训练,弥补了本地资源不充足的情况。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/c28eef9b7d6f41d88fec4d3020b9f878_3.png\" alt=\"3.png\" /></p>\n<p>本次亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛赛题难度较大,爱对不对团队以 YOLO V5_OBB 为基线算法,取得了优异的成绩,同时 Amazon Sagemaker 也为模型提供了良好的训练环境,希望爱对不对团队的算法策略能够为广大开发者提供有益启发。</p>\n"}
目录
亚马逊云科技解决方案 基于行业客户应用场景及技术领域的解决方案
联系亚马逊云科技专家
亚马逊云科技解决方案
基于行业客户应用场景及技术领域的解决方案
联系专家
0
目录
关闭
contact-us