SARDet-100K安装教程从零搭建SAR目标检测环境30分钟跑通第一步【免费下载链接】SARDet_100K[NeurIPS 2024 spotlight] Offical implementation of MSFA and release of SARDet_100K dataset for Large-Scale Synthetic Aperture Radar (SAR) Object Detection项目地址: https://gitcode.com/gh_mirrors/sa/SARDet_100KSARDet-100K 是首个 COCO 级大规模多类别SAR 目标检测数据集NeurIPS 2024 Spotlight配套的 MSFA 预训练框架基于 PyTorch MMDetection 3.x 构建。本教程带你从零完成SARDet-100K 安装创建 Conda 环境、安装依赖、配置数据集路径并用一条命令启动第一次 SAR 目标检测训练全程约 30 分钟。SARDet-100K 是什么首个COCO级SAR目标检测数据集SARDet-100K 由 10 个公开 SAR 检测数据集合并、切分、标注统一而成共11.6 万张图像、24.5 万个实例涵盖船舶、飞机、汽车、桥梁、港口、坦克 6 类目标是 SAR 目标检测领域公认的开源基准。下面是数据集中 6 类目标的真实样例可以看到 SAR 图像特有的强散射与斑点噪声纹理论文同时提出了MSFAMulti-Stage with Filter Augmentation预训练框架通过域桥接 模型桥接的两阶段训练显著弥补 RGB 预训练模型迁移到 SAR 域时的性能损失30分钟安装步骤搭建MSFA SAR目标检测环境以下命令与官方安装脚本 MSFA/install.sh 完全一致按顺序执行即可。第一步克隆 SARDet-100K 代码仓库git clone https://gitcode.com/gh_mirrors/sa/SARDet_100K cd SARDet_100K/MSFA代码主体位于MSFA/目录核心模块包括模块路径说明滤波增广骨架网MSFA/msfa/models/backbones/MSFA.pyMSFA 核心实现数据集加载MSFA/msfa/datasets/SAR_Det.pySARDet-100K 数据读取训练/测试入口MSFA/tools/train.py、MSFA/tools/test.pyMMDet 3.x 风格脚本训练配置MSFA/local_configs/论文全部实验配置第二步创建 Python 3.8 Conda 虚拟环境conda create -y -n MSFA python3.8 conda activate MSFA⚠️ 版本必须一致项目按 Python 3.8 PyTorch 2.0.1 验证高版本 Python 可能导致 mmcv 编译失败。第三步安装 PyTorch 2.0.1CUDA 11.8conda install pytorch2.0.1 torchvision0.15.2 torchaudio2.0.2 pytorch-cuda11.8 -c pytorch -c nvidia也可以用 pip 指定官方源安装pip install torch2.0.1 torchvision0.15.2 torchaudio2.0.2 --index-url https://download.pytorch.org/whl/cu118第四步安装 OpenMMLab 核心库mmengine / mmcv / mmdet推荐用mim一键锁定兼容版本避免手动试错pip install -U openmim mim install mmengine0.8.4 mim install mmcv2.0.1 mim install mmdet3.1.0第五步安装波let依赖并注册 MSFA 项目pip install -r requirements.txt pip install -v -e .其中 MSFA/requirements.txt 包含kymatio小波变换、torchhaarfeaturesHaar 滤波、timm等是 MSFA 滤波增广模块的必需依赖-e .以可编辑模式安装项目修改代码即时生效。验证安装打印完整配置python tools/misc/print_config.py local_configs/SARDet/r50_IN_sup/fg_frcnn_IN_sup_sar_r50.py若能完整打印出模型结构Backbone、Neck、ROI Head 等说明 msfa、mmdet、mmcv 均已正确导入环境搭建完成。下载与配置 SARDet-100K 数据集只需改 1 个文件前往 README.md 中的官方下载地址获取Train / Val数据集目前 Test 集仅部分放出以及预训练模型权重。解压后确认目录结构为SARDet_100K/ ├── JPEGImages/ # 全部图像 └── Annotations/ ├── train.json # COCO 格式标注 └── val.json修改数据根路径只需改一处——基础数据集配置 MSFA/configs/base/datasets/SARDet_100k.pydata_root /your/path/to/SARDet_100K/ # 指向你的解压目录所有训练配置都继承自这个文件改一次即可全局生效。跑通第一次 SAR 目标检测训练选配置、下权重、执行命令选择 SAR 目标检测训练配置local_configs/SARDet/下按预训练策略分目录组织新手推荐从这两组起步配置目录输入方式预训练策略说明r50_IN_sup/原始 SAR 像素仅 ImageNet基线实验如 fg_frcnn_IN_sup_sar_r50.pyr50_IN_sup/小波滤波增广ImageNet 小波复现滤波增广如 fg_frcnn_IN_sup_sar_wavelet_r50.pyr50_dota_pretrain/小波滤波增广ImageNet DOTA完整 MSFA如 fg_frcnn_dota_pretrain_sar_wavelet_r50.py单 GPU 启动训练python tools/train.py local_configs/SARDet/r50_IN_sup/fg_frcnn_IN_sup_sar_r50.py训练日志与权重会保存到work_dirs/下。若配置中加载预训练权重如 DOTA 阶段的epoch_100.pth请先把 README.md 中的模型权重下载到本地并将配置里的init_cfgcheckpoint 路径改为你本地的实际路径。多卡分布式训练bash tools/dist_train.sh local_configs/SARDet/r50_IN_sup/fg_frcnn_IN_sup_sar_r50.py 8第 2 个参数是 GPU 数量。官方完整训练/测试脚本见 MSFA/tools/dist_train.sh 与 MSFA/tools/dist_test.sh。测试评估与单图推理验证你的 SAR 检测模型训练结束后在 Val 集上评估 mAPpython tools/test.py local_configs/SARDet/r50_IN_sup/fg_frcnn_IN_sup_sar_r50.py \ work_dirs/fg_frcnn_IN_sup_sar_r50/best_coco_bbox_mAP_epoch_xxx.pth用自己的 SAR 图片做推理可视化python image_demo.py your_image.jpg \ local_configs/SARDet/r50_IN_sup/fg_frcnn_IN_sup_sar_r50.py \ --weights work_dirs/fg_frcnn_IN_sup_sar_r50/best_coco_bbox_mAP_epoch_xxx.pth推理入口为 MSFA/image_demo.py支持单图路径、文件夹与 np.array 输入。新手常见问题速查清单问题解决办法mmcv安装报编译错误不要手动pip install mmcv用mim install mmcv2.0.1锁版本Python 3.9/3.10 装不上依赖重建环境严格使用 Python 3.8训练时报找不到图像/标注检查 SARDet_100k.py 中data_root与解压目录结构JPEGImages/Annotations/是否匹配CUDA 版本不匹配PyTorch 2.0.1 官方 wheel 对应 CUDA 11.8按第三步选择对应命令安装加载预训练权重路径报错将配置中init_cfg的 checkpoint 路径改为本机实际路径结语30分钟后你可以做什么完成本教程后你就拥有了一个完整的 SAR 目标检测复现与研发环境可以复现论文全部预训练策略实验不同检测器与骨干网的对比见下图也可以基于 MSFA/local_configs/ 快速替换骨干网ResNet / ConvNeXt / Swin / VAN和检测器Faster-RCNN / GFL / DETR 等开展自己的研究。祝训练顺利早日跑出属于你的 SOTA【免费下载链接】SARDet_100K[NeurIPS 2024 spotlight] Offical implementation of MSFA and release of SARDet_100K dataset for Large-Scale Synthetic Aperture Radar (SAR) Object Detection项目地址: https://gitcode.com/gh_mirrors/sa/SARDet_100K创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考