OBB检测

注意：如果您有问题或好的建议，欢迎提出issues并与我联系。

简介

OBB检测是一个从MMdetection v2.2修改而来的面向对象检测工具箱。

主要特点

• 继承MMdetection特性

  OBB检测没有改变原始MMdetection的结构和代码，额外的代码遵循MMdetection的逻辑。因此，我们的OBB检测继承了MMdetection的所有特性。

• 支持多种开箱即用的框架

  我们在这个工具箱中实现了多种面向对象检测器（如RoI Transformer、Gliding Vertex）。得益于MMdetection的模块化设计，检测器的许多部分（如主干网络、RPN、采样器和分配器）都有多种选择。

• 灵活的面向边界框表示

  该工具箱支持水平边界框（HBB）、面向边界框（OBB）和4点框（POLY）。程序将通过张量形状或默认设置确认边界框的类型。

我们开发了BboxToolkit来支持面向边界框操作，该工具箱严重依赖于此。

许可证

本项目采用Apache 2.0许可证发布。

更新

• (2022-03-15) 支持面向掩码。开源Oriented R-CNN及其扩展。
• (2021-12-14) 感谢liuyanyi在OBB检测中重新实现了S2ANet。
• (2021-11-29) 放弃mmcv-0.6.2，支持mmcv-full。
• (2021-09-18) 在OBB检测中实现了Double Head OBB。
• (2021-09-01) 在OBB检测中实现了FCOS OBB。
• (2021-08-21) 重新实现了PolyIoULoss。

基准测试和模型库

结果和模型可在模型库中找到。

支持的主干网络：

• ResNet
• ResNeXt
• VGG
• HRNet
• RegNet
• Res2Net

支持的面向检测方法：

• S2ANet (TGRS)
• Oriented R-CNN (ICCV'2021)
• Oriented R-CNN及其扩展 (IJCV 2024)
• Poly IoU Loss
• Faster R-CNN OBB
• Double Head OBB
• RetinaNet OBB
• Gliding Vertex
• RoI Transformer
• FCOS OBB 支持的水平检测方法：
• RPN
• Fast R-CNN
• Faster R-CNN
• Mask R-CNN
• Cascade R-CNN
• Cascade Mask R-CNN
• SSD
• RetinaNet
• GHM
• Mask Scoring R-CNN
• Double-Head R-CNN
• Hybrid Task Cascade
• Libra R-CNN
• Guided Anchoring
• FCOS
• RepPoints
• Foveabox
• FreeAnchor
• NAS-FPN
• ATSS
• FSAF
• PAFPN
• Dynamic R-CNN
• PointRend
• CARAFE
• DCNv2
• Group Normalization
• Weight Standardization
• OHEM
• Soft-NMS
• Generalized Attention
• GCNet
• 混合精度（FP16）训练
• InstaBoost
• GRoIE
• DetectoRS
• Generalized Focal Loss

安装

请参考install.md进行安装和数据集准备。

入门指南

有向模型的训练和测试

如果您想训练或测试有向模型，请参考oriented_model_starting.md。

如何使用MMDetection

如果您不熟悉MMDetection，请查看getting_started.md了解MMDetection的基本用法。还有关于微调模型、添加新数据集、设计数据管道和添加新模块的教程。

致谢

在开发OBBDetection时，我们参考了S2ANet和AerialDetection。

这个工具箱是基于MMdetection修改的。如果您在研究中使用这个工具箱或基准测试，请引用以下信息。

@article{mmdetection,
  title   = {{MMDetection}: Open MMLab Detection Toolbox and Benchmark},
  author  = {Chen, Kai and Wang, Jiaqi and Pang, Jiangmiao and Cao, Yuhang and
             Xiong, Yu and Li, Xiaoxiao and Sun, Shuyang and Feng, Wansen and
             Liu, Ziwei and Xu, Jiarui and Zhang, Zheng and Cheng, Dazhi and
             Zhu, Chenchen and Cheng, Tianheng and Zhao, Qijie and Li, Buyu and
             Lu, Xin and Zhu, Rui and Wu, Yue and Dai, Jifeng and Wang, Jingdong
             and Shi, Jianping and Ouyang, Wanli and Loy, Chen Change and Lin, Dahua},
  journal = {arXiv preprint arXiv:1906.07155},
  year={2019}
}

这是Oriented R-CNN的官方实现。如果在您的研究中使用了它，请引用以下信息。

@InProceedings{Xie_2021_ICCV,
  作者 = {谢兴兴 and 程功 and 王家宝 and 姚熙文 and 韩军伟},
  标题 = {面向目标检测的定向R-CNN},
  会议名称 = {IEEE/CVF国际计算机视觉会议论文集(ICCV)},
  月份 = {十月},
  年份 = {2021},
  页码 = {3520-3529} }

@ARTICLE{orcnn_beyond,
  作者={谢兴兴 and 程功 and 王家宝 and 李科 and 韩军伟},
  期刊={国际计算机视觉杂志}, 
  标题={定向R-CNN及其进展}, 
  年份={2024},
  页码={1-23},
  doi={https://doi.org/10.1007/s11263-024-01989-w}
}