ObjectDetectio-watermarking

pytorch目标检测训练框架

代码兼容性较强，使用的是一些基本的库、基础的函数
在argparse中可以选择使用wandb，能在wandb网站中生成可视化的训练过程
测试时输入模型的图片会填充为固定大小、RGB通道(如batch,640,640,3)，图片四周的填充值为(128,128,128)

1，环境

torch：https://pytorch.org/get-started/previous-versions/

>pip install tqdm wandb opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
>```
### 2，数据格式
>(标准YOLO格式)  
>├── 数据集路径：data_path  
>    └── image：存放所有图片  
>    └── label：存放所有图片的标签，名称:图片名.txt，内容:类别号 x_center y_center w h(x,y,w,h为相对图片的比例值)  
>    └── train.txt：训练图片的绝对路径(或相对data_path下路径)  
>    └── val.txt：验证图片的绝对路径(或相对data_path下路径)  
>    └── class.txt：所有的类别名称  
### 3，run.py
>模型训练时运行该文件，argparse中有对每个参数的说明
### 4，predict_pt.py
>使用训练好的pt模型预测
### 5，export_onnx.py
>将pt模型导出为onnx模型
### 6，flask_start.py
>用flask将程序包装成一个服务，并在服务器上启动
### 7，flask_request.py
>以post请求传输数据调用服务
### 8，gunicorn_config.py
>用gunicorn多进程启动flask服务：gunicorn -c gunicorn_config.py flask_start:app
### 其他
>学习笔记：https://github.com/TWK2022/notebook

### 分支说明
master分支为华科大提供的原始代码
demo分支为经过修改的demo示例

### 文件说明
```shell
.
├── README.md
├── bash_process.sh
├── bash_run.sh
├── blind_watermark
│   ├── __init__.py
│   ├── att.py
│   ├── blind_watermark.py
│   ├── bwm_core.py
│   ├── cli_tools.py
│   ├── pool.py
│   ├── recover.py
│   ├── requirements.txt
│   └── version.py
├── block
│   ├── data_get.py
│   ├── loss_get.py
│   ├── lr_get.py
│   ├── metric_get.py
│   ├── model_ema.py
│   ├── model_get.py
│   ├── train_get.py
│   └── val_get.py
├── export_onnx.py
├── flask_request.py
├── flask_start.py
├── gunicorn_config.py
├── last.pt
├── model
│   ├── layer.py
│   ├── yolov5.py
│   └── yolov7.py
├── predict_pt.py
├── run.py
├── test.ipynb
├── tool
│   ├── change_dir.py  #数据集中的标签文件图片地址均为绝对路径，使用该脚本进行修改
│   ├── check_image.py
│   ├── generate_txt.py
│   └── make_txt.py
└── watermarking_data_process.py