mmdetection使用

mmdetection 大部分模型都需要coco格式数据集

xml / txt 转 coco

• 注意coco数据集的格式 类别id 是从下标1开始的
• 在json文件的最后一行可以看见 类别id对应的类别名称 {“names”:‘panel_1’,“id”:1}

更改class_name

• mmdetection/mmdet/datasets/coco.py

  CLASSES = ("",)
  

• mmdetection/mmdet/core/evaluation/classes_names.py

  def coco_classes():
      return ["",]
  

• 注意这里两处classes的顺序和拼写，要和训练的json 最后一行的类别顺序一致

更改自己要跑的模型的configs文件

• 例如yolox_s
  mmdetection/configs/yolox/yolox_s_8×8_300e_coco.py
  1. 需要更改 检测头的 num_classes = 自己的类别数量（在文件开头）
  2. 需要更改 train = dict{ }、val = dict { }、test = dict { } 的路径 img_prefix 和 anno_file为自己的数据路径.
  3. (可选)
     • 更改__base__里的内容，比如学习率，batch size,
     • 也可以指定work_dirs = "your_work_dirs_path"(模型保存的路径)、
     • 也可以指定预训练模型加载路径load_from=" your_checkpoint_path"
• 例如cascade_rcnn
  mmdetection/configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py

     _base_ = [
         '../_base_/models/cascade_rcnn_r50_fpn.py',
         '../_base_/datasets/coco_detection.py',
         '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
     ]
  

  需要在 configs/base/ 下找到这四个文件依次修改
  1. 需要更改 检测头的 num_classes = 自己的类别数量（在文件开头,cascade有三个级联检测头，所以要更改三处）（在cascade_rcnn_r50_fpn.py里面）
  2. 需要更改 train = dict{ }、val = dict { }、test = dict { } 的路径 img_prefix 和 anno_file为自己的数据路径. （在coco_detection.py里面）
  3. (可选)
     • 更改__base__里的内容，比如学习率，batch_size,
     • 也可以指定work_dirs="your_work_dirs_path"(模型保存的路径)、
     • 也可以指定预训练模型加载路径load_from=" your_checkpoint_path"

训练

• 单卡训练

  python tools/train.py your_config_file_path_here
  

• 分布式多卡训练

  bash ./tools/dist_train.sh your_config_file_path_here 2
  #2 代表两块卡 默认 0 and 1 
  CUDA_VISIBLE_DEVICES=0,2,3 bash ./tools/dist_train.sh your_config_file_path_here 3
  #指定三块卡训练
  

• 恢复训练

  --resume-from your_pth_path
  #从已经训练好的某个epoch恢复训练
  

结果生成

• 默认生成在mmdetection/work_dirs/ 文件下
  1. 模型权重文件epoch.pth
  2. log日志
  3. 你的完整训练config文件会在这里在保存一次,（下次可以用这个config文件直接训练，比较方便）

测试

• 基本命令

  python tools/test.py work_dirs/yolox_/faster_rcnn_r50_fpn_1x_voc0712.py work_dirs/yolox_/faster_rcnn_r50_fpn_1x_voc0712/latest.pth 
  # 分别输入完整conf 权重文件路径（均在你指定的work_dirs下）
  

• 可视化

   --show-dir work_dirs/visual_result（你想要保存可视化结果的文件夹）
  

• 生成json格式的结果

   --format-only --options "jsonfile_prefix=./results/result"
   # 会在results下生成result.bbox.json
  

• 其他参数

  --options "classwise=True"
  #输出每类的map
  

  --eval mAP
  #输出mAP
  

  --eval bbox
  #输出 bbox map
  

• 也可以多卡测试 同训练
  例子：

  bash ./tools/dist_test.sh configs_start/start/cascade_r50_1600_koi.py work_dirs/cascade_r50_fpn_1600_koi/epoch_5.pth 2 --format-only --options "jsonfile_prefix=./results/cascade_r50_fpn_1600_koi_epoch_5_result" 4
  

• 其他一些测试操作示例

  loss:
  python tools/analysis_tools/analyze_logs.py plot_curve work_dirs/detectors_cascade_rcnn_r50_1x_coco/20210426_132037.log.json --keys loss --out work_dirs/detectors_cascade_rcnn_r50_1x_coco/loss_results.jpg
  
  map:
  python tools/analysis_tools/analyze_logs.py plot_curve work_dirs/detectors_cascade_rcnn_r50_1x_coco/20210426_132037.log.json --keys bbox_mAP bbox_mAP_50 bbox_mAP_75 --out work_dirs/detectors_cascade_rcnn_r50_1x_coco/map_results.jpg
  
  model 复杂度
  python tools/analysis_tools/get_flops.py configs_water/detectors/detectors_cascade_rcnn_r50_1x_coco.py --shape 1333 800
  
  

---

更多详见mmdetection 中文文档

https://mmdetection.readthedocs.io/zh_CN/latest/