GGHL: 一种用于任意方向目标检测的通用高斯热图标签分配方法

这是GGHL的实现 👋👋👋

[Arxiv] [IEEE TIP] [Google Drive][百度网盘 (提取码: yn04)]

IEEE的正式版排版丑死了（不得不吐槽），有的图还显示有问题，还是下载arxiv版本的吧，我已经更新了arxiv，内容和正式版一样。

TensorRT C++部署版本教程和Nvidia Jetson嵌入式部署版本教程看这里！！！ 感谢最最亲爱的师弟Crescent-Ao和haohaoolalahao

GGHL基础上改进的标签分配写到了新论文TS-Conv里，TS-Conv的代码放出来了在这里（还在更新完善中）

GGHL做知识蒸馏的一些尝试的论文DKED在这里（用来Social和旅游的会议），这个等年底有空了扩写和更新代码

如果该项目对您有所帮助，请给个⭐️。如果您使用了它，请考虑引用：

@ARTICLE{9709203,
author={Huang, Zhanchao and Li, Wei and Xia, Xiang-Gen and Tao, Ran},
journal={IEEE Transactions on Image Processing}, 
title={A General Gaussian Heatmap Label Assignment for Arbitrary-Oriented Object Detection}, 
year={2022},
volume={31},
number={},
pages={1895-1910},
doi={10.1109/TIP.2022.3148874}}

不克隆不加星，都是耍流氓 🤡🤡🤡

0. 一些重要事项 🦞 🦀 🦑

• 💖💖💖 感谢Crescent-Ao和haohaoolalahao对GGHL仓库的贡献，感谢Crescent-Ao完成的GGHL部署版本。相关仓库还会持续更新中，敬请期待。

  打个广告，GGHL部署版本GGHL-Deployment已经上线，欢迎大家使用~~ 感谢我最亲爱的师弟Crescent-Ao和haohaolalahao对GGHL仓库的贡献，感谢Crescent-Ao完成的GGHL部署版本。相关仓库还会持续更新中，敬请期待。

• 😺😺😺 欢迎大家关注haohaoolalahao与我合作完成的遥感图像目标检测工作 MGAR: Multi-Grained Angle Representation for Remote Sensing Object Detection，论文已经正式接收IEEE TGRS Arxiv, 感谢大家引用：

    @ARTICLE{9912396,
      author={Wang, Hao and Huang, Zhanchao and Chen, Zhengchao and Song, Ying and Li, Wei},
      journal={IEEE Transactions on Geoscience and Remote Sensing}, 
      title={Multi-Grained Angle Representation for Remote Sensing Object Detection}, 
      year={2022},
      volume={},
      number={},
      pages={1-1},
      doi={10.1109/TGRS.2022.3212592}}
  

• 🙆‍♂️🙆‍♂️修复了torch>=1.7且使用分布式训练时的多尺度训练bug。请将pytorch更新至1.11版本。感谢@haohaoolalahao。

• 最近在学习MMRotate，后续有计划在MMRotate框架下写一版GGHL,先立个FLAG🤖🤖

• 关于在去年年底前出GGHLv2的FLAG不出所料的倒掉了🤣🤣🤣，我是大鸽子🕊️🕊️🕊️🕊️咕咕咕。写论文对我来说好难啊啊啊啊，重新扶起这个FLAG，两个月后把论文写完吧（...实验早跑完了，现在每天憋出100个字）

• 谢谢大家的反馈和ISSUES里面的各种意见，非常感谢🥰🥰🥰

• 🧸 OpenCV版本需≥4.5.3，标签转换脚本为./datasets_tools/DOTA2Train.py

• 🚀 分布式训练详情请参见issues #4（pytorch==1.11）。

• 🌟 我已更新polyiou和polynms的功能。最新评估器的代码位于./evalR/evaluatorGGHL_new.py

• 🥂 感谢@trungpham2606, @lalalagogogo, @zhuyh1223和@aiboys提出的建议和反馈。

• 🦄 感谢我的合作者@haohaoolalahao对该项目的巨大贡献。修订后的论文中关于“OBB的精细化近似”的讨论，正是我和@haohaoolalahao在2020年参加遥感目标检测竞赛时提出的。

• 🤖 感谢@Crescent-Ao对修订稿的建议以及他对推广这项工作的巨大贡献。

• 😸 我非常感激@haohaoolalahao, @Crescent-Ao和我之间的每一次讨论。感谢你们让这项工作不断成长。虽然目前还不成熟，但我相信随着我们的努力，它会越来越好。

• 中文版的说明可以看知乎上@Crescent-Ao写的文章：Gaussian heatmap label assignment，GGHL代码解读和Oriented-bounding-box representation component (ORC)，还在陆续更新中。欢迎大家点赞、喜欢、收藏三连。

🌈 1.运行环境

Linux (Ubuntu 18.04, GCC>=5.4) & Windows (Win10)
CUDA > 11.1, Cudnn > 8.0.4

首先，安装CUDA、Cudnn和Pytorch。 其次，安装requirements.txt中的依赖库。

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch 
pip install -r requirements.txt  

🌟 2. 安装

1. 使用 git clone 克隆本仓库。

2. Polygen NMS
   当前版本中的 poly_nms 是使用 shapely 和 numpy 库实现的，这样可以确保它在不同系统和环境中运行，而无需其他依赖。不过，这种方式会在密集目标场景中降低检测速度。如果希望提升速度，可以在 datasets_tools/DOTA_devkit 中编译并使用 poly_iou 库（C++ 实现版本）。编译方法已在 DOTA_devkit 中详细说明。

cd datasets_tools/DOTA_devkit
sudo apt-get install swig
swig -c++ -python polyiou.i
python setup.py build_ext --inplace 

🎃 3. 数据集

1. DOTA 数据集 及其 devkit

(1) 训练格式

你需要编写脚本来将数据转换为本仓库所需的 train.txt 文件，并将其放置在 ./dataR 文件夹中。train.txt 文件的具体格式请参考 dataR 文件夹中的示例。

image_path xmin,ymin,xmax,ymax,class_id,x1,y1,x2,y2,x3,y3,x4,y4,area_ratio,angle[0,180) xmin,ymin,xmax,ymax,class_id,x1,y1,x2,y2,x3,y3,x4,y4,area_ratio,angle[0,180)...

角度的计算方法已在 Issues #1 和我们的论文中解释过。

(2) 验证与测试格式

与 Pascal VOC 格式相同。

(3) 数据集文件结构

cfg.DATA_PATH = "/opt/datasets/DOTA/"
├── ...
├── JPEGImages
|   ├── 000001.png
|   ├── 000002.png
|   └── ...
├── Annotations (DOTA 数据集格式)
|   ├── 000001.txt (class_idx x1 y1 x2 y2 x3 y3 x4 y4)
|   ├── 000002.txt
|   └── ...
├── ImageSets
    ├── test.txt (测试文件名)
        ├── 000001
        ├── 000002
        └── ...

在 datasets_tools 文件夹中有一个名为 DOTA2Train.py 的文件，可用于生成训练和测试格式的标签。首先，需要使用 DOTA 数据集的官方工具 DOTA_devkit 对图像和标签进行分割，然后运行 DOTA2Train.py 将其转换为 GGHL 所需的格式。关于 DOTA_devkit 的使用，请参阅官方仓库中的教程。

🌠🌠🌠 4. 使用示例

(1) 训练

python train_GGHL.py

(2) 分布式训练

sh train_GGHL_dist.sh

(3) 测试

python test.py

☃️❄️ 5. 权重

假装有表格...懒得画了
1）用于 DOTA 数据集的训练模型可从 Google Drive 或 Baidu Disk（提取码：2dm8）获取，将其放入 /weight 文件夹中。

2）用于 SKU 数据集的训练模型可从 Google Drive 或 Baidu Disk（提取码：c3jv）获取。

3）用于 SKU 数据集的训练模型可从 Google Drive 或 Baidu Disk（提取码：vdf5）获取。

4）Darknet53 在 ImageNet 上的预训练权重可从 Google_Drive 或 Baidu_Disk（提取码：0blv）获取。

5）用于 DOTAv1.5 数据集的训练模型可从 Google Drive 或 Baidu Disk（提取码：wxlj）获取。

6）用于 DOTAv2.0 数据集的训练模型可从 Google Drive 或 Baidu Disk（提取码：dmu7）获取。

💖💖💖 6. 参考文献

https://github.com/Peterisfar/YOLOV3
https://github.com/argusswift/YOLOv4-pytorch
https://github.com/ultralytics/yolov5
https://github.com/jinfagang/DCNv2_latest

📝 许可证

版权所有 © 2021 Shank2358。
本项目采用 GNU 通用公共许可证 v3.0 许可证。

🤐 待续

🎃 更新日志

• 👻👻 最近大家提问和反馈比较多的是论文里对ORC做refined approximaation（RA） 的问题，这里额外解释一下。

ORC和Gliding Vertex有很多相似之处，对于Gliding Vertex，当凸四边形OBB的四个顶点不全部落在外接HBB上时是无法表示的，因此Gliding Vertex是先利用cv2.minRect函数将DOTA标注的凸四边形OBB转换为旋转矩形，然后在利用在HBB上的滑动顶点进行表示以保证OBB所有四个顶点都落在HBB上，具体见他们仓库的issue https://github.com/MingtaoFu/gliding_vertex/issues/21#issuecomment-647935655. 在此基础上有了Oriented R-CNN的进一步简化用delta alpha和delta beta表示（因为内接OBB都已经近似成矩形了，两边是轴对称的，只需要预测在内接矩形相邻两条边的滑动距离即可）。但是这样的近似实际预测的还是旋转矩形而不是任意凸四边形，近似本身就会在GT上带来更多误差，误差更大的GT作为学习目标自然会影响预测准确性。因此，GGHL的RA只对那些该表示无法处理的凸四边形（即顶点不全落在HBB上的四边形）进行近似，而其他凸四边形都可以直接用ORC表示无需再近似成最小矩形，论文中也提到根据统计“only 4.79% of the OBBs need to be approximated”，这样可以保证ORC表示法在生成GT时引入的误差可以最小，论文表5的实验也证明了其有效性。更具体地，这些4.79%无法用ORC直接表示的凸四边形我们也不是全部用cv2.minRect做近似，而是精细地把他们分成16种情况进行讨论和分别处理，这样做目的是尽可能地减小因为近似带来的误差。大家也可以把上述近似和cv2.minRect近似的四边形画出来对比一下它们俩的误差。具体方案见论文图7和代码。

• 👹👹 找了个动图，这样更好理解ORC和Gaussian的关系（外边是凸四边形的滑动，里面是高斯椭圆），很遗憾论文没能把完整的几何证明给出，后续版本会更新。

顺便再解释一下这个，这个动图是为了解释自适应调整高斯分布的，高斯根据ORC的顶点滑动（或者说凸四边形的变化）改变。根据OBB生成高斯通常是将OBB视为矩形，然后根据矩形的中心点坐标和长宽来得到高斯椭圆，但是如上RA问题的解释所述，GGHL的OBB不一定是矩形，而是任意凸四边形（有一部分对ORC无效的做了上述近似），那么要如何生成高斯？一种做法是仍然将凸四边形近为旋转举行计算高斯，另外一种就是我们给出的动图这样的做法。在我们最新的工作中会对这个进行更详细的讨论，快出来了（😒😒已经鸽了一年了），敬请期待。篇幅所限在GGHL论文中没地方写了，原文因为投稿TIP已经一再压缩😢😢，很多细节和几何证明放不下了，连作者照片都没放全🤣🤣🤣，我只能说我真是尽力且费劲心思把放不下的东西尽量在原文中留下一些线索了，有兴趣的可以慢慢去发现，我很乐意随时交流讨论。

• 12.31 我已更新了 polyiou 和 polynms 的功能。新年快乐！！！

• 12.28 我已更新了 requirements.txt 文件，因为分布式训练可能会提示缺少某些依赖库。

更新了 requirements.txt 文件，因为 DDP 分布式训练时可能提示缺少一些依赖库。如果遇到这种情况，请根据提示使用 pip install 补齐相应的库即可。

• 12.25 🎅🎅🎅 圣诞快乐！

GGHL 的最新改进嵌入式版本即将上线。

• 12.24 🏜️沙漠景象 The label assignment of FCOS-R and GGHL-FCOS are online.

• 🐦🐦 12月23日 Centernet和GGHL-CenterNet已上线。FCOS即将上线。此GitHub仓库仍在持续更新和优化中。Centernet和GGHL-CenterNet上线。FCOS即将上线。,最近会持续更新优化这个仓库。

• 😺😺 12月23日 由于论文尚处于审稿阶段，消融实验的相关代码尚未完全更新完毕，请大家耐心等待，我们会持续进行更新。

如有任何问题，欢迎在issues中留言，无需一定通过邮件联系，我都会一一回复，而且在这里的响应速度可能比邮件更快。近期确实有邮件被误判为垃圾邮件的情况，对此深表歉意。如果有人知道如何关闭邮件拦截功能，恳请告知。另外，请不要直接索要代码或要求我代写代码，这种做法实在令人不快😩。论文中所需的代码都将在此仓库中提供，其他方面我也非常乐意与大家共同探讨，不断优化仓库内容。在此约定：如需额外代码或解答疑问，请详细准确地描述遇到的问题，我会尽力协助并及时更新；若只是单纯索取，则恕无法处理此类请求。有些问题完全可以在issues中讨论，无需添加微信，当然如果您确实希望加微信，也请先告知身份，谢谢。

• 🙉🙉 12月23日 我不喜欢对他人方法进行过度评价，我认为每项工作都有其闪光点和值得学习之处。我在阅读论文和审稿时也始终秉持这一原则，因此对于“与XXX工作相比如何”这类问题，我将不予回答，敬请谅解。GGHL项目欢迎任何形式的批评与建议，我将虚心接受并以此激励自己不断进步。

• 12月17日 🧑‍🚀 今日暂无更新。感慨一句，对于深度学习任务而言，拥有一个成熟的benchmark既是幸事，也是最大的不幸——当所有人都沉迷于其中时，这个领域便失去了活力。

• 12月15日 🤪 DOTAv1.5和DOTAv2.0数据集的预训练模型现已可用。Google Drive 或 百度网盘(提取码: yn04) *

🐾 🐾 🐾 DOTAv1.5和DOTAv2.0的权重可以下载啦。这版本的结果是没调参，没数据增强，没多尺度测试的，后续有空会再精调和加tricks，应该还会涨点。
😝😝😝 其实每天事儿挺多的，做科研都是见缝插针，github这边就更顾不上了，使用教程和代码注释更新慢还请见谅，过年期间会加油更新。另外，有问题可以在issues里面留言，为什么都喜欢发邮件啊，邮件经常会莫名其妙的跑到垃圾邮件里，因此可能会有延迟，实在抱歉，我打捞出来就会立即回复的。

• 12月13日 😭 改论文改的头昏脑胀，补了一堆实验和解释，改论文比写论文难产多了~/(ㄒoㄒ)/~我可以选择剖腹产吗...

• 12月11日 😁 修复了两个索引的bug。调整了学习率重新训练了，conf_thresh调到0.005，DOTA数据集精度能到79+了。顺便回复一句，总是有人问area normalization那个公式设计怎么来的，我睡觉梦到的。

• 12月9日 😳 终于收到一审的审稿意见了，感谢审稿人大大。

• 11月22日 👺 注意事项。由于不同版本OpenCV中cv2.minAreaRect()函数存在差异及一些角度转换的bug（我使用的低版本角度范围是(0,-90]，而新版本则是[0,90]，因此可能存在兼容性问题，现均已统一更新至新版本）。此外，cv2.minAreaRect()函数本身也存在一些已知的bug，许多博客已有相关介绍，此处不再赘述。由于我原版代码中为解决这些问题所编写的判断逻辑与新版cv2.minAreaRect()的输出略有不同，这也导致了一些问题，现已全部修正。目前，datasets_obb.py、datasets_obb_pro.py、augmentations.py以及DOTA2Train.py文件均已按长边表示法计算（角度范围0-180度），请大家及时更新，并确保OpenCV版本不低于4.5.3。感谢@Fly-dream12提供的反馈。

• 🧐 广告：招募可以一起维护更新这个仓库的小伙伴。或者大家fork更新了以后麻烦推上来一下啊，感激不尽。

• 11月21日 😸😸 感谢@trungpham2606提出的建议和反馈。

• 11月20日 ❤️ 修复了一些bug，谢谢大家的建议。大家有啥问题可以在issues里面详细描述，我会及时回复，你的问题也可能帮助到其他人。

• 11月19日 😶 在标签转换过程中，需要注意的是，论文中的顶点顺序是有规定的（详情请参阅论文）。

11月19日至20日更新修复了标签转换脚本的一些bug（针对自定义数据的顶点顺序可能与DOTA标准不一致的问题）

• 11月18日 😺 修复了一些bug，请各位及时更新代码

• 🙏🙏🙏 11月17日 发布说明

目前仍有部分内容未完成，我们将持续进行更新。感谢大家的反馈与建议。

• 🐟 🐡 11月16日 在./datasets_tools/DOTA2Train.py中新增了用于生成GGHL所需格式数据集的脚本。

更新了用于生成GGHL所需格式数据集的工具(./datasets_tools/DOTA2Train.py) 论文里的Refine Approx.在代码里面有详细的分类讨论。

• 👾 11月15日 SKU数据集的模型现已可用

其他数据的权重近期会陆续上传和更新

• 🤖 11月14日 更新预告

即将更新更多的backbone和模型，以及mosaic数据增强,一周内更完。下周会更新第一版的代码注释和教程，即dataloadR/datasets_obb.py文件，主要是GGHL中最重要的标签分配策略。 另外GGHLv2.0正在准备和实验中，立个flag今年更新完。

• 🎅 11月10日 增加DCNv2以支持自动混合精度（AMP）训练。

增加了DCNv2的混合精度训练和onnx转换 (推理阶段要记得把offsets改成FP16)

• 🐣 🐤 🐥 11月9日：模型权重已发布。您可以将其下载并放入./weight文件夹中，然后修改test.py中的权重路径进行测试，即可获得论文中报告的结果。下载链接将在后续介绍中给出。

论文结果对应的模型权重可以下载了（终于发工资把网盘续上了~）

• 🐞 11月8日：我计划编写一份关于数据预处理以及算法和代码讲解的教程，预计将于12月上线。

打算写一个数据预处理的教程和算法、代码的讲解，预计12月上线

• 🦄 11月7日：GGHL的所有更新已完成。欢迎大家使用。如有任何问题，欢迎在issue中留言，谢谢。

1.0版本全部更新完成了，欢迎使用，有任何问题可以在issue留言，谢谢。接下来会不断更新和完善

💣 11月6日 更新了标签分配和dataload。更新了pytorch1.10版本的支持。预告一下，下周会更新分布式训练的内容。

（预训练权重的链接在NPMMR-Det和LO-Det的仓库说明里）

🙈 正文开始前的惯例的碎碎念（可以跳过直接看正文使用说明）

投稿排队实在太慢了，三个月了还在形式审查没分配AE,555~ 先在arxiv上挂出来了。
我会尽最大努力帮助大家跑通代码和复现出接近论文报道结果的实验，因为我自己也被坑多了，好多遥感领域的论文不开源代码或者根本复现不出来，或者就是模型复杂到眼花缭乱换个数据/参数就失灵，实在是太难了。论文里关于NPMMR-Det和LO-Det的实验代码会在那两个仓库里面更新，NPMMRDet的baseline目前已经更新完了，你们可以试试看能不能跑。LO-Det的正在更新中，可以看那边的说明(11.1也更新了)。 万一有AE或者审稿人大佬看到这个仓库，跪求千万别忘了审稿啊~ 求求，希望能顺利毕业😭😭😭

😸😸 10月24日 终于分配AE和审稿人了🐌🐌🐌，不容易啊。这投稿流程可太慢了，担心能不能赶上毕业，真的是瑟瑟发抖😭😭😭

🙉🙉 关于论文超参数和实验的一些说明。

🐛 论文里报道的训练超参数都没有精调，就选的对比方法一样的默认参数，也没有选最好的epoch的结果，直接固定了最大epoch，选择最后五个epoch的平均结果。精调学习率、训练策略合最好轮次还会涨点，最近有空闲的机器我试了一下。但是我觉得像很多论文那样为了state-of-the-art（SOTA）而SOTA没有必要，所以最后没那样做，后续如果审稿意见有这个建议我可能会再修改，如果没有我会把更多的实验结果在github和arxiv上展示出来。反思自己最近的工作，确实比不上各位大佬前辈的创新想法，这点还要继续努力。由于我也是自己一路磕磕绊绊摸索着进入科研领域的，也踩过很多坑，也被各种卷王卷的透不过气，所以我想追求的是想做一些踏实的、简单实用的工作，设计一个皮实、经得起折腾的模型，而不想去卷什么SOTA（😭😭😭 实话是我也卷不过。。。。）。
🐰🐰 说一个我对目标检测的理解，请大家批评指正。在我看来，目标检测只是一个更庞大的视觉系统的入口任务而不是最终结果。我觉得大多数检测任务的目标是快速、粗略地在图像/视频中定位到目标候选区域，为后续更精细的比如分割、跟踪等其他任务服务，简化它们的输入。从这个视角来看，检测平均精度差距那么一两个点真的没论文里吹的那么重要，反而检测效率（速度）、模型的复杂度与鲁棒性、易用性（无论是对工程人员还是新入门的研究人员而言）的提升对于社区的贡献会更实际一些。最近几个月我也一直在反思自己，目标检测的初心是什么，目标检测完了然后呢，原来我写论文以为的终点很多时候只是我以为的，原来我想错了。深度学习火了这么些年，很多任务或许也是这样的吧，毕竟论文实验里的SOTA是有标准答案的考试，而它们的开花结果是一个开放性问题。这是接下来的努力方向，我相信哪怕道阻且长，行则将至，而且行而不辍，未来一定可期。

另外，请不要做伸手党，如果你们想训练自己的数据集，以下已经详细描述了GGHL的数据格式和使用说明，在tools文件夹中提供了转换脚本。我也在许多论文以外的数据集和大家提供的数据集上进行了实验，都可以正常工作，请花些时间阅读说明和issues #1中的一些解释，如果还有疑问可以在issues中留言给我，都会得到回复。我没有义务直接帮你们改代码和训练你们的数据。

GGHL 快速上手指南

GGHL (General Gaussian Heatmap Label Assignment) 是一个用于任意方向目标检测的通用高斯热图标签分配工具，特别适用于遥感图像等场景。

1. 环境准备

系统要求

• 操作系统: Linux (Ubuntu 18.04+) 或 Windows 10
• 编译器: GCC >= 5.4 (Linux)
• CUDA: > 11.1
• cuDNN: > 8.0.4
• OpenCV: >= 4.5.3
• PyTorch: 推荐版本 1.11 (修复了多尺度训练和分布式训练的 Bug)

依赖安装

建议先安装 CUDA、cuDNN 和 PyTorch，然后安装其他依赖。国内用户可使用清华或阿里镜像加速。

# 使用 conda 安装 PyTorch (根据实际 CUDA 版本调整 cudatoolkit)
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

# 安装项目所需的其他依赖库
pip install -r requirements.txt

2. 安装步骤

第一步：克隆仓库

git clone https://github.com/Shank2358/GGHL.git
cd GGHL

第二步：编译 Poly IoU/NMS (可选但推荐)

默认版本使用 shapely 和 numpy 实现多边形 NMS，兼容性好但在密集场景下速度较慢。如需提升检测速度，建议编译 C++ 版本的 poly_iou 库。

cd datasets_tools/DOTA_devkit

# 安装 swig 工具
sudo apt-get install swig

# 生成包装文件并编译
swig -c++ -python polyiou.i
python setup.py build_ext --inplace 

第三步：数据集准备

以 DOTA 数据集为例：

1. 下载 DOTA 数据集 及其 devkit。
2. 使用官方 devkit 对图片和标签进行切片分割。
3. 运行项目提供的转换脚本生成训练所需的 train.txt 和测试格式标签：

   python datasets_tools/DOTA2Train.py
   

4. 确保目录结构如下：

   /opt/datasets/DOTA/
   ├── JPEGImages       # 图片文件
   ├── Annotations      # 原始标注文件
   ├── ImageSets        # 包含 test.txt 等索引文件
   └── dataR            # 存放生成的 train.txt (需在配置中指定路径)
   

3. 基本使用

模型训练

单卡训练：

python train_GGHL.py

多卡分布式训练 (需 PyTorch >= 1.11)：

sh train_GGHL_dist.sh

模型测试

python test.py

预训练权重

将下载的预训练权重文件放入 ./weight 文件夹即可使用。

• DOTA 数据集模型: Google Drive | 百度网盘 (密码: 2dm8)
• ImageNet Darknet53 backbone: Google Drive | 百度网盘 (密码: 0blv)
• 更多版本 (DOTA v1.5/v2.0, SKU 等) 请参考原仓库 README 第 5 节。

提示: 如需 TensorRT C++ 部署或 Jetson 嵌入式部署教程，可参考原作者在知乎发布的相关文章。