[OpenMMLab]AI实战营第五节课

实践MMDetection

MMDetection项目概览

任务支持：目标检测、实例分割

算法支持：两阶段检测器、单阶段检测器、级联检测器、无锚框检测器、Transformer

工具支持：训练工具、测试工具、推理API

MMDetection运行环境单间（基于Openbayes计算平台）

工作目录查询：

import os 
os.getcwd()

使用MMDetection进行模型推理

mmlab重要组件：配置文件

mim除了是包管理器外，还是一个模型管理器，执行mim search mmdet --model "mask r-cnn"可以得到支持的模型，选择想要的config id然后执行mim download mmdet --config <config id> --dest .下载配置文件；

from mmdet.apis import init_detector, inference_detector, show_result_pyplot

config_file = <config_file>
checkout_file = <weigth_file>
model = init_detector(config_file, checkpoint_file)
result = inference_detector(model, "demo.jpg")
show_result_pyplot(model, 'demo.jpg', result)

lr schd为1x或2x，表示训练策略，2x时间比1x长一些，2x效果比1x好一些

深度学习模型的训练涉及几个方面：

• 模型结构：模型层数、通道数等
• 数据集：数据集的划分、数据集增强方法等
• 训练策略：梯度下降算法、学习率参数、batch_size、训练总轮次等
• 运行时：GPU、分布式环境配置等
• 一些辅助功能：打印日志、定时保存checkpoint等

在MMDeteciton，所有项目都涵盖在一个配置文件中，一个配置文件定义了一个完整的训练过程

• model字段定义模型
• data字段定义数据
• optimizer、lr_config等字段定义训练策略
• load_from字段定义与训练模型的参数文件

使用MMDetection训练模型，检测图像中水果

训练自己的模型

通常基于微调训练：

• 使用基于coco预训练的监测模型作为梯度下降的“起点”
• 使用自己的数据进行“微调训练”，通常需要降低学习率

具体流程：

• 选择一个基础模型，下载对应的配置文件和预训练模型的参数文件
• 将数据整理成MMDetection支持的格式，如COCO格式或者自定义格式
• 修改配置文件
  • 修改配置文件的数据路径
  • 修改模型的分类头
  • 设置加载预训练模型
  • 修改优化器配置（学习率、训练轮次等）
  • 修改杂项

coco数据集格式

输出配置文件内容：

from mmcv import Config
config = Config.fromfile('fruit.py')
print(config.pretty_text)