X光安检图像检测挑战赛3.0 baseline

X光安检是目前在城市轨交、铁路、机场、物流业广泛使用的物检手段。使用人工智能技术，辅助一线安检员进行X光安检判图，可以有效降低因为安检员经验、能力或工作状态造成的错漏检问题。在实际场景中，因待检测物品的多样性、成像角度、重叠遮挡等问题，X光安检图像检测算法研究存在一定挑战。

X光安检图像检测挑战赛3.0

一、赛事背景

X光安检是目前在城市轨交、铁路、机场、物流业广泛使用的物检手段。使用人工智能技术，辅助一线安检员进行X光安检判图，可以有效降低因为安检员经验、能力或工作状态造成的错漏检问题。在实际场景中，因待检测物品的多样性、成像角度、重叠遮挡等问题，X光安检图像检测算法研究存在一定挑战。

比赛链接：https://challenge.xfyun.cn/topic/info?type=Xray-2024&option=ssgy

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

二、赛事任务

本赛事的任务是：基于科大讯飞提供的真实X光安检图像集构建检测模型，对X光安检图像中的指定类别的物品进行检测。

三、评审规则

1.数据说明

此次比赛提供带标注的训练数据，即待检测物品在包裹中的X光图像及其标注文件。

本次比赛标注文件中的类别为8类，包括：

刀（knife）、剪刀（scissors）、打火机（lighter）、优盘（USBFlashDisk）、压力容器（pressure）、带喷嘴塑料瓶（plasticBottleWithaNozzle）、公章（seal）、电池（battery）。

       

待识别物品的X光成像示意图如上图所示。

比赛提供的X光图像及其矩形框标注的文件按照数据来源存放在不同的文件夹中，图像文件采用jpg格式，标注文件采用xml格式。

2.评估指标

评测方式采用计算mAP（IoU = 0.5）的方式。

四、数据准备

In [1]

# 查看当前挂载的数据集目录, 该目录下的变更重启环境后会自动还原 !ls /home/aistudio/data

登录后复制        

data151995

登录后复制        

解压数据集。

In [2]

! unzip -oq data/data151995/data.zip -d data/

登录后复制    

最新提供的数据标注是VOC格式。

可以直接使用labelimg查看标注图片。

       

生成训练集数据列表

In [3]

import osdata_path = '/home/aistudio/data/data/train'f = open(os.path.join(data_path, 'train.txt'), 'w')for subpath in os.listdir(data_path):    img_path = os.path.join(data_path, subpath)    if os.path.isfile(img_path):        continue    xml_path = os.path.join(subpath, 'XML')    for img_name in os.listdir(img_path):        if not os.path.isfile(os.path.join(img_path, img_name)):            continue        img_file = os.path.join(subpath, img_name)        xml_file = os.path.join(xml_path, img_name.replace('.webp', '.xml'))        f.write(img_file + ' ' + xml_file + '\n')

登录后复制    In [4]

# 拷贝label_list到数据文件中! cp work/label_list.txt data/data/train

登录后复制    

五、模型配置及训练

本方案选择百度自研的最新的sota模型ppyoloe作为baseline，为了尽快比赛流程，这里选用最小的s级模型。

对应的配置文件为PaddleDetection/configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml；

5.1 配置文件修改

由于数据是voc格式，因此不能再使用ppyoloe默认的coco格式，修改指定的数据配置文件。

减小batch为16， 同时适当减少学习率为0.01；

       

为了加快训练速度，修改_base_/optimizer_300e.yml中的epoch为50；

       

修改_base_/ppyoloe_reader.yml中，注释掉RandomExpand数据增强，加快训练速度，主要是由于数据中很多目标较小，再随机扩增会使得目标更小。

为了使更多小目标能充分训练，在多尺度训练的配置中去掉512分辨率以下的配置。

       

修改configs/datasets/voc.yml，指定生成的数据列表并修改类别数为8；

       

5.2 模型训练

In [ ]

%cd /home/aistudio/work/PaddleDetection-release-2.4/# 只需运行一次! pip install -r requirements.txt

登录后复制    In [ ]

! python tools/train.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml

登录后复制    

六、模型测试及提交结果生成

6.1 模型测试

利用训练好的模型测试，生成测试集的结果。

In [ ]

# 分别生成测试集中三个文件夹的结果! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain1/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain1/ --save_txt result.txt --draw_threshold 0.1! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain2/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain2/ --save_txt result.txt --draw_threshold 0.1! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain3/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain3/ --save_txt result.txt --draw_threshold 0.1

登录后复制    

6.2 结果处理

合并测试集的结果，并按照提交的格式进行转换。

In [7]

import osimport jsonlabel_list = ['knife','scissors', 'lighter', 'USBFlashDisk', 'pressure', 'plasticBottleWithaNozzle', 'seal', 'battery']img_list = '/home/aistudio/data/data/2024gamedatasettest1.txt'results = []with open(img_list, 'r') as f:    lines = f.readlines()    for line in lines:        line = line.strip().replace('.webp', '.txt')        with open(line, 'r') as ff:            re_lines = ff.readlines()            result = [[], [], [], [], [], [], [], []]            for re_line in re_lines:                re_line = re_line.strip()                re_list = re_line.split()                if not len(re_list):                    continue                name, score, xmin, ymin, w, h = re_list                index = label_list.index(name)                result[index].append([float(xmin), float(ymin), float(xmin)+float(w), float(ymin) + float(h), float(score)])        results.append(result)with open( 'result.json', 'w') as fp:    json.dump(results, fp, ensure_ascii=False)

登录后复制    

提交结果生成的result.json文件即可。