Detectron2注册自己的COCO数据集

Detectron2注册自己的COCO数据集

1.在train.py添加

CLASS_NAMES =['background','A220', 'A330', 'A320/321', 'Boeing737-800', 'Boeing787', 'ARJ21', 'other']

# 数据集路径
DATASET_ROOT = './datasets/coco'
ANN_ROOT = os.path.join(DATASET_ROOT, 'annotations')

TRAIN_PATH = os.path.join(DATASET_ROOT, 'train2017')
VAL_PATH = os.path.join(DATASET_ROOT, 'val2017')

TRAIN_JSON = os.path.join(ANN_ROOT, 'instances_train2017.json')
#VAL_JSON = os.path.join(ANN_ROOT, 'val.json')
VAL_JSON = os.path.join(ANN_ROOT, 'instances_val2017.json')

# 声明数据集的子集
PREDEFINED_SPLITS_DATASET = {
    "coco_my_train": (TRAIN_PATH, TRAIN_JSON),
    "coco_my_val": (VAL_PATH, VAL_JSON),
}

def plain_register_dataset():
    #训练集
    DatasetCatalog.register("coco_my_train", lambda: load_coco_json(TRAIN_JSON, TRAIN_PATH))
    MetadataCatalog.get("coco_my_train").set(thing_classes=CLASS_NAMES,  # 可以选择开启,但是不能显示中文,这里需要注意,中文的话最好关闭
                                                    evaluator_type='coco', # 指定评估方式
                                                    json_file=TRAIN_JSON,
                                                    image_root=TRAIN_PATH)

    #DatasetCatalog.register("coco_my_val", lambda: load_coco_json(VAL_JSON, VAL_PATH, "coco_2017_val"))
    #验证/测试集
    DatasetCatalog.register("coco_my_val", lambda: load_coco_json(VAL_JSON, VAL_PATH))
    MetadataCatalog.get("coco_my_val").set(thing_classes=CLASS_NAMES, # 可以选择开启,但是不能显示中文,这里需要注意,中文的话最好关闭
                                                evaluator_type='coco', # 指定评估方式
                                                json_file=VAL_JSON,
                                                image_root=VAL_PATH)

注意导入from detectron2.data.datasets.coco import load_coco_json和from detectron2.data import DatasetCatalog, MetadataCatalog

2.在main()函数中调用

def main(args):
    cfg = setup(args)
    plain_register_dataset()#调用注册函数
    if args.eval_only:
        model = Trainer.build_model(cfg)
        SLRDetectionCheckpointer(model, save_dir=cfg.OUTPUT_DIR).resume_or_load(
            cfg.MODEL.WEIGHTS, resume=args.resume
        )
        # test
        res = Trainer.test(cfg, model)
        if comm.is_main_process():
            verify_results(cfg, res)
        return res

3.在config文件中修改

DATASETS:
  TRAIN: ("coco_my_train",)#上文中的注册名
  TEST: ("coco_my_val",)#上文中的注册名

恭喜你注册完成!!!

https://blog.csdn.net/qq_29750461/article/details/106761382

  • 4
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
### 回答1: Detectron2是Facebook AI Research开发的目标检测框架,可以用来训练COCO数据集。 要训练COCO数据集,需要先下载COCO数据集并解压,然后使用Detectron2提供的训练脚本进行训练。 以下是一个简单的训练命令: ``` python -m detectron2.tools.train_net --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --num-gpus 8 --train-subdir detectron2_train_coco --eval-subdir detectron2_eval_coco --data-dir path/to/coco/dataset ``` 这个命令是训练用mask_rcnn_R_50_FPN_3x模型进行coco的实例分割任务,需要注意的是,在这个命令中,需要指定coco数据集的路径,还要根据实际情况调整参数。 ### 回答2: detectron2是Facebook AI Research推出的一款基于PyTorch的目标检测框架,其具有高效、灵活、易用等优点。其支持多种主流数据集的训练,其中包括常用的coco数据集。 coco数据集是一个广泛应用于目标检测、实例分割和人体关键点检测等领域的经典数据集,其包含超过330,000张图像和2.5万个类别,是目前公认的最具挑战性的目标检测数据集之一。 那么,如何使用detectron2训练coco数据集呢?以下是详细步骤: 1. 数据准备 在开始训练前,需要确保已经下载了标注好的coco数据集,并将其转换成detectron2可处理的格式,包括分别生成训练集、测试集以及验证集。这部分具体操作可以参考detectron2官方文档或者在GitHub上搜索相关教程。 2. 模型选择 detectron2内置了多种主流目标检测模型,包括Faster R-CNN、Mask R-CNN等,用户可以根据实际需求选择不同的模型进行训练。 3. 模型配置 在配置文件中,需要指定数据、模型、训练和测试参数等相关设置,比如coco数据集的路径、评估指标、优化器等等。需要注意的是,detectron2支持通过命令行参数进行配置调整。 4. 训练 在配置完成后,可以启动detectron2进行模型训练。在训练过程中,用户可以观察模型的训练指标、损失函数、验证结果等指标,以评估模型的性能。 5. 模型评估 在训练完成后,需要对模型进行评估,以了解其在测试集上的表现。用户可以通过运行detectron2的评估脚本,获取AP、AR等评价指标,进一步优化模型性能。 总的来说,detectron2训练coco数据集并不是一项简单的任务,需要对数据集、模型、参数等都进行深入的分析和优化。而通过细致的配置和训练,可以在coco数据集上获得非常好的性能表现。 ### 回答3: Detectron2是Facebook开源的用于计算机视觉模型训练和推理的框架,提供了许多现代化的算法和工具包,支持多种数据集的训练和测试。其中,COCO数据集是目前计算机视觉领域中最常用的基准数据集之一,它包含了超过300k个标注的图像,共有80类物体,是一个相对完备的数据集。Detectron2支持使用COCO数据集来训练模型,下面我们来介绍如何训练COCO数据集。 1. 数据集准备:首先需要从COCO官网下载相应的数据集,在Detectron2中需要将数据集转换成特定的格式,即使用COCO API将原始数据集转换为json格式,然后再将其转换为Detectron2所需的pkl格式。 2. 配置模型和训练参数:Detectron2提供了许多现代化的模型,如Mask R-CNN、RetinaNet、Faster R-CNN等,我们需要根据需要选择合适的模型,然后设定一些超参数,如学习率、批量大小、训练轮数等。 3. 开始训练:在安装好Detectron2后,我们可以使用命令行工具来启动训练,例如:python tools/train_net.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml。在训练过程中,Detectron2会不断地更新模型参数,直至训练完成。 4. 评估模型:Detectron2提供了一个方便的工具用于模型的评估,使用命令行工具即可完成,例如:python tools/train_net.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml --eval-only MODEL.WEIGHTS /path/to/checkpoint_file。在评估过程中,Detectron2会将模型应用于测试集中的图像,然后计算相应的指标,如平均精度等。 5. 使用模型:完成训练和评估后,我们可以使用训练好的模型来进行预测任务。Detectron2提供了许多现代化的工具和方法,使得我们可以轻松地加载模型并进行预测,例如:python demo/demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml --input /path/to/image.jpg MODEL.WEIGHTS /path/to/checkpoint_file。 以上就是Detectron2训练COCO数据集的主要步骤,当然具体细节还需要根据实际情况进行调整。总的来说,Detectron2是一个非常优秀的框架,它提供了许多现代化的算法和工具包,使得我们可以轻松地进行计算机视觉任务的训练和测试,是一个非常值得使用的工具。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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