使用mmdetection（backbone为HRNet、VOC数据集格式）

最新推荐文章于 2024-11-23 23:00:30 发布
最新推荐文章于 2024-11-23 23:00:30 发布
阅读量828 收藏 5
点赞数 2
分类专栏： mmdetection 文章标签： 目标检测 深度学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LWD19981223/article/details/125069441
版权
这篇博客详细介绍了如何在Windows环境下利用MMDetection框架训练自定义的VOC数据集。首先，介绍了安装mmdetection的步骤，接着讲解了VOC数据集的目录结构和内容准备。然后，对mmdetection的相关文件进行修改，包括class_names.py、voc.py和配置文件，以适应新的类别和数据集。在训练前，由于遇到CUDA内存不足的问题，博主尝试调整了内存分配但未成功。最后，提供了训练命令。尽管遇到内存问题，该文仍为使用MMDetection训练目标检测模型提供了一步步的指导。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录


参考链接


安装mmdetection

查看另一篇博客：安装mmdetection（Windows环境下）


VOC数据集准备

mmdetection
├── mmdet
├── tools
├── configs
├── data     #手动创建data、VOCdevkit、VOC2007、Annotations、JPEGImages、ImageSets、Main这些文件夹
│   ├── VOCdevkit(数据集名称)
│   │   ├── VOC2007
│   │   │   ├── Annotations         #把valid.txt、train.txt对应的xml文件放在这
│   │   │   ├── JPEGImages          #把valid.txt、train.txt对应的图片放在这
│   │   │   ├── ImageSets
│   │   │   │   ├── Main
│   │   │   │   │   ├── valid.txt 
│   │   │   │   │   ├── train.txt

可查看我的另一篇博客：划分数据集为VOC数据格式


修改相关文件

(1) 修改class_names.py文件

修改路径：mmdetection/mmdet/core/evaluation/class_names.py

修改内容：将voc_classes的返回值改为要训练数据集的类别名称。

在这里插入图片描述


(2) 修改voc.py文件

修改路径：mmdetection/mmdet/datasets/voc.py

修改内容：将VOCDataset中的CLASSES改为对应训练数据集的类别集合。

在这里插入图片描述


(3) 修改配置文件

配置文件路径：mmdetection/configs

我要使用的是faster_rcnn_hrnetv2p_w40_2x_coco.py，经过层层找上去，最终确定了更改faster_rcnn_r50_fpn_1x_coco.py中对应的model等文件的配置。

在这里插入图片描述


(3.1) 更改 models/faster_rcnn_r50_fpn.py 中的 num_classes

在这里插入图片描述


(3.2) 更改 datasets/coco_detection.py 中dataset_type、data_root、img_scale、ann_file、img_prefix变量。（我还改了：workers_per_gpu=0）


❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀

接下来的两步我就没跟着改了，只是粘图在这里

(3.3) schedules中新建schedule_xxx_voc.py设置对应优化器


(3.4) 新建xxx_voc_runtime.py文件设置整体超参


重新编译

修改完后，训练之前需要重新编译，不然会出现“AssertionError: The num_classes (20) in Shared2FCBBoxHead of MMDataParallel does not matches the length of CLASSES 80) in RepeatDataset"的报错。

编译命令如下：

python setup.py install

开始训练

python tools/train.py configs/hrnet/faster_rcnn_hrnetv2p_w40_2x_coco.py

还没有成功，呜呜呜，报显存错误了，尝试过改以下两个位置的大小，可惜失败了。

错误：RuntimeError: CUDA out of memory. Tried to allocate 20.00 MiB (GPU 0; 4.00 GiB total capacity; 2.45 GiB already allocated; 0 bytes free; 2.49 GiB reserved in total by PyTorch)

可能有用的链接：

在这里插入图片描述
在这里插入图片描述

【VisDrone|目标检测】保姆级教程：MMDetection数据集格式及其准备（三）
wzk4869的博客
11-24 810
【VisDrone|目标检测】保姆级教程：MMDetection数据集格式及其准备（三）
RT-DETR改进策略：BackBone改进|Swin Transformer，最强主干改进RT-DETR
m0_47867638的博客
09-16 2171
计算机视觉建模长期以来一直由卷积神经网络 (CNN) 主导。从 AlexNet [38] 及其在 ImageNet 图像分类挑战中的革命性表现开始，CNN 架构通过更大的规模 [29, 73]、更广泛的连接 [33] 和更复杂的卷积形式 [67, 17, 81]。随着 CNN 作为各种视觉任务的骨干网络，这些架构的进步导致了性能改进，从而广泛提升了整个领域。另一方面，自然语言处理 (NLP) 中网络架构的演变采取了不同的路径，如今流行的架构是 Transformer [61]。
mmdetection训练（1）voc格式的数据集（自制）
qq_36302310的博客
05-15 914
（1）在代码根目录新建myconfig.py的文件，（2）复制以下内容到其中：新的配置文件主要是分为三个部分1、倒入相应的库文件（base2、模型加载文件：一定要家在修改num_classses=‘你的类别’3、数据集配置：直接复制configs/base/datasets/voc0712.py即可# 新配置继承了基本配置，并做了必要的修改# 我们还需要更改 head 中的 num_classes 以匹配数据集中的类别数。
MMDetection，训练VOC格式数据集
阿基美德的博客
06-27 3229
一、数据集准备 数据集目录格式要求： ├── VOCdevkit(数据集名称) │ ├── VOC2007 │ │ ├── Annotations │ │ ├── JPEGImages │ │ ├── ImageSets │ │ │ ├── Main │ │ │ │ ├── val.txt │ │ │ │ ├── train.txt PS： 1. 所有图片末尾统一为.jpg（注意小写） 数据集保存（创建软连接，方便数据
使用mmdetection运行自己的VOC格式数据（AI studio下的ubuntu系统）
capt_scott的博客
05-04 735
使用mmdetection运行自己的VOC格式数据（AI studio下的liunx系统）配置mmdetection环境组织VOC数据集合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章...
MMdetection v2.4.0之（支持的数据集目录结构、转化标准数据集和定制自定义数据集）
qq_41627642的博客
05-13 2700
要支持新的数据格式，可以将它们转换为现有格式(COCO格式或PASCAL格式)，也可以直接将它们转换为中间格式。您还可以选择离线转换(在通过脚本进行训练之前)或在线转换(实现一个新的数据集并在训练时进行转换)。在MMDetection中，我们建议将数据转换为coco格式并离线进行转换，这样你只需要在数据转换后修改配置的数据注释路径和类。 1、将新的数据格式重新组织为现有格式 最简单的方法是将数据集转换为现有的数据集格式(COCO或PASCAL VOC)。 oco格式的注释json文件有以下必要的键: 'im
目标检测Anchor-free FCOS网络训练自己数据集（VOC格式）
Rock的博客
10-21 9587
FCOS训练自己数据集一、 搭建mmdetection：要求安装虚拟环境二、制作VOC格式数据集：三、实验细节：训练命令测试命令四、训练结果五、FCOS在该数据集的MAP测量 一、 搭建mmdetection： 参考：https://github.com/open-mmlab/mmdetection mmdetection安装文档详见：https://github.com/open-mmlab...
【MMDetection系列 - 3】 MMdetection文件目录结构解析之mmdet文件（模型构建思想和流程）
Fate_serendipity的博客
04-19 2647
本文主要分析mmdet文件目录结构中的mmdet文件，了解mmdetection整体构建流程、思想及其中各部分所完成的主要功能。（更新中）以上是对MMDetection文件目录结构的介绍，将在学习过程中不断进行完善。参考：[1][2]
MMDetection: Open MMLab Detection Toolbox and Benchmark
abrams90的专栏
07-16 2119
Abstract： 本文提出了一个包含丰富的目标检测与实力分割算法以及相关组件与模块的目标检测工具箱，称为MMDetection。这个工具箱最开始是作为COCO Challenge2018检测跟踪冠军队伍的codebase。最终这个工具箱演化成了一个包括许多流行的目标检测方法与相关模块的统一平台。它不仅包括训练与推理代码，还提供了超过200种网络模型权重。我们认为这个工具箱是目前最完善的检测工具箱。本文中，我们会介绍这个工具箱的多样化特征。此外，我们还对不同方法、组件以及超参数进行了ben...
MMDetection 基准测试 和 Model Zoo | 三
TensorFlowNews
05-03 2540
作者|open-mmlab 编译|Flin 来源|Github 基准测试 和 Model Zoo 环境 硬件 8 个 NVIDIA Tesla V100 GPUs Intel Xeon 4114 CPU @ 2.20GHz 软件环境 Python 3.6 / 3.7 PyTorch 1.1 CUDA 9.0.176 CUDNN 7.0.4 NCCL 2.1.15 镜像站点 我们使用AWS作...
MMDetection训练自己的数据集coco格式
Xiao_Ya__的博客
06-26 972
MMDetection训练自己的数据集coco格式
MMDetection训练自定义COCO格式数据集
珺毅同学的博客
03-18 2742
MMDetection训练自定义COCO格式数据集操作指南
mmdetection--自定义数据集
weixin_46365033的博客
08-23 1372
文章目录PASCAL VOC数据集格式组织结构AnnotationImageSetsJPEGImagesCOCO数据集格式组织结构annotations（注释）json格式instances自定义数据集（coco类型）修改config文件dataset模块model模块检查注释文件 mmdetection主要支持COCO，次要支持PASCAL VOC（提供了转化为COCO的脚本），因此我们首先介绍COCO和VOC数据集。 PASCAL VOC数据集格式 PASCAL VOC2007和2012总共分为了四个大
mmdetection训练自己的VOC数据集及常见问题
weixin_43570470的博客
04-14 8253
步骤一：准备数据。首先根据规范的VOC数据集导入到项目目录下...
最新版本的mmdetection2.0 （v2.0.0版本）环境搭建、基于VOC数据来训练自己的数据集、测试
张家四少
08-20 2612
1 数据声明 VOC2007数据集作为训练数据，主要是为了方便快捷的做一个POC的验证，同时节省数据标注的时间，文中会详细阐述如何自定义自己的数据集，以及如何修改数据集。 VOC2007数据官方下载地址： https://pjreddie.com/projects/pascal-voc-dataset-mirror/ 2 mmdetection环境搭建 2.1 查看Cuda和cudnn的版本 参考 在Linux下查看cuda的版本： cat /usr/local/cuda/versio
Mmdetection: yolox训练自己的VOC数据集
小屋
07-07 5663
本次使用的mmdetection版本为： VOC数据集格式 Annotations 存放所有xml标签，JPEGImages存放所有图像，ImageSet用来划分数据集。 xml文件示例： 在data目录下新建train_val.py： 并执行，划分好的数据存在 下。 根据自己的设备安装相应的pytorch，官网版本查询。 过程中其余依赖项自己pip安装……mmdetection/mmdet/datasets/voc.py 设置自己的数据集class； 取消年份版本选择（我们的数据集没有按年份设置文件
用MMdetection训练测试自己的voc数据集
qq_43271903的博客
01-13 2277
1. 数据准备 （供个人学习，侵删） 将准备好的voc数据集按照以下路径存放 mmdetection ├── mmdet ├── tools ├── configs ├── data │ ├── VOCdevkit │ │ ├── VOC2007 │ │ │ ├── Annotations │ │ │ ├── JPEGImages │ │ │ ├── ImageSets │ │ │ │ ├── Main │ │ │ │ │
mmdetection训练voc数据集
gy77
11-01 3888
???? 首先需要准备好数据集，这里有xml标签数据转voc数据集格式的说明以及免费分享的数据集：xml转voc数据集 - 一届书生 - 博客园 (cnblogs.com) 1. 准备工作目录 我们的工作目录，也就是mmdetection目录，如下所示： . ├── configs │ ├── _base_ │ │ ├── datasets │ │ ├── models │ │...
使用 MMDetection 实现 Pascal VOC 数据集的目标检测项目练习（三）MMDetection安装
xulibo5828的博客
11-23 1135
之前安装好的版本为：cuda=11.8在此基础上安装MMDetection时出现了一些版本不兼容出错提示，出错提示的内容都是本地已安装的依赖包版本高于了所需版本，就是所之前安装的版本过于新了，需要安装与MMDetection推荐版本较为接近的。官网的推荐版本是基于Python>=3.7，cuda>=9.2，pytorch>=1.8。依据官网推荐，对软件的版本进行再一次的规划。打开pytorch的下载文件列表，查找pytorch版本，以及支持的cuda和cudnn版本。python=3.8。
mmdetection训练voc数据集 评价
最新发布
01-26
### 使用mmdetection框架训练VOC数据集的方法 为了使用 mmdetection 框架训练 Pascal VOC 数据集，需遵循一系列配置和操作流程。首先，准备阶段涉及将个人的数据集转换为符合 mmdetection 需求的标准格式。 #### 准备工作 确保数据集按照 Pascal VOC 的标准结构组织[^1]。这通常意味着创建特定目录用于存储图片文件、标注文件等，并且每个图像对应一个 XML 文件描述其中的对象位置及其类别信息。通过这种方式可以利用 mmdetection 已经编写好的 DataLoader 来加载数据而无需额外编码实现。 #### 安装依赖库与设置环境 安装最新的 mmdetection 版本以及必要的依赖项是必不可少的操作之一。官方文档提供了详细的指导说明，包括 Python 环境配置、CUDA 和 PyTorch 的兼容性确认等内容[^3]。 #### 修改配置文件 针对具体的任务需求调整预设模型参数至关重要。一般情况下，默认配置已经能够满足大部分场景下的应用；但对于特殊用途，则可能需要修改 backbone 结构、优化器选项或是学习率调度策略等方面的内容。此外，在 `data` 字段下指定路径指向本地的 VOC 数据集也很重要[^4]。 ```yaml # config.py 示例片段 model = dict( type='FasterRCNN', pretrained='torchvision://resnet50', ... ) data = dict( samples_per_gpu=2, workers_per_gpu=2, train=dict( type='VOCDataset', ann_file=[ 'data/VOCdevkit/VOC2007/ImageSets/Main/trainval.txt', 'data/VOCdevkit/VOC2012/ImageSets/Main/trainval.txt' ], img_prefix='data/VOCdevkit/', pipeline=train_pipeline), val=dict(...), test=dict(...) ) ``` #### 开始训练过程 一切就绪后就可以启动训练脚本了。命令行工具使得这一环节变得简单明了： ```bash python tools/train.py configs/faster_rcnn_r50_fpn_1x_voc0712.py --work-dir work_dirs/voc_train/ ``` 此命令会读取给定的配置文件并执行相应的训练逻辑，同时保存日志记录以便后续查看进度或调试问题所在。 --- ### 评估指标介绍 当完成了模型训练之后，对其进行性能评测同样不可或缺。常用的评价方法主要包括以下几个方面： - **平均精度均值 (mAP)**：这是衡量目标检测算法效果最常用也是最重要的度量方式。它综合考虑了不同类别的预测准确性，反映了整体识别能力的好坏程度。 - **精确率(Precision) & 召回率(Recall)**：这两个概念分别表示正确分类的比例以及实际正样本被召回的数量占比情况。二者之间往往存在权衡关系——提高一方可能会降低另一方的表现水平。 - **交并比(IoU)**：用来计算两个边界框之间的重叠部分面积占总面积比例大小的一种几何距离测度法。IoU 值越高表明匹配越紧密，反之则较差。 以上提到的各项统计数值都可以借助内置函数轻松获取到，具体可参阅官方 API 文档获得更详尽的帮助材料。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

孟孟单单

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值