新版 MMDetection V2.3.0训练测试笔记

最新推荐文章于 2024-06-22 20:38:25 发布

TYUT_xiaoming

最新推荐文章于 2024-06-22 20:38:25 发布

阅读量4.2k

点赞数 7

分类专栏：深度学习框架文章标签： mmdetection 新版 2.0 训练检测

本文链接：https://blog.csdn.net/TYUT_xiaoming/article/details/107775933

版权

深度学习框架专栏收录该内容

12 篇文章 1 订阅

订阅专栏

Installation

验证

使用自己的数据集训练faster-rcnn

训练命令

Use pre-trained model

MMDetection已经更新到了v2.3.0版本，很多博客是基于1.0版本的操作，这里记录一下自己使用新版的一些操作

主分支使用 PyTorch 1.3 to 1.5，强烈推荐使用2.0版本，以实现更快的速度、更高的性能、更好的设计和更友好的使用。

Installation

Python 3.6+
PyTorch 1.3+

step1:

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

step2:

conda install pytorch cudatoolkit=10.1 torchvision -c pytorch
或者使用pip安装

pip install torch==1.5.0 torchvision==0.6.0 mmcv==0.5.5

Pytorch 使用不同版本的cuda，以及为什么还要安装cudatoolkit ：点此链接

step3:

pip install mmcv-full

step4:

# install mmdetection
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .   或者  python setup.py develop

验证

python tools/train.py -h

使用自己的数据集训练faster-rcnn

（1）修改faster_rcnn_r50_fpn_1x_coco.py

_base_ = [
    '../_base_/models/faster_rcnn_r50_fpn.py',
    '../_base_/datasets/coco_detection.py',
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]

（2）修改faster_rcnn_r50_fpn.py

anchor_generator=dict(
            type='AnchorGenerator',
            scales=[8],
            ratios=[0.5, 1.0, 2.0],
            strides=[4, 8, 16, 32, 64])

 num_classes=80

类别不需加1

（3）数据集的位置以及samples_per_gpu修改

 samples_per_gpu=2,
 workers_per_gpu=2,

evaluation = dict(interval=1, metric='mAP')

（4）学习率和epoch的修改位置

optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)

重要：配置文件中的默认学习率（lr=0.02）是8个GPU和samples_per_gpu=2（批大小= 8 * 2 = 16）。根据线性缩放规则，如果您使用不同的GPU或每个GPU的有多少张图像，则需要按批大小设置学习率，例如，对于4GPU* 2 img / gpu=8，lr =8/16 * 0.02 = 0.01 ；对于16GPU* 4 img / gpu=64，lr =64/16 *0.02 = 0.08 。

计算公式：批大小(gup-num * samples_per_gpu) / 16 * 0.02

（5）修改测试的标签类别文件

（6）修改voc.py文件

重要：修改完 class_names.py 和 voc.py 之后一定要重新编译代码，否则验证输出仍然为VOC的类别，且训练过程中指标异常

loss_rpn_cls: 0.00, loss_rpn_bbox: 0.0000, loss_cls: 0.000, acc: 100, loss_bbox: 0.0000, loss: 0.000

训练命令

1. 使用单个GPU进行训练

python tools/train.py ${CONFIG_FILE} [optional arguments]

python tools/train.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py

2.使用多个GPU进行训练

./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]

./tools/dist_train.sh configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py

[optional arguments] 可选参数

--no-validate : 不建议使用，代码中每隔K（默认为1）执行评估，可以在configs/_base_/datasets/voc0712.py 修改evaluation = dict(interval=1, metric='mAP')

--work-dir ${WORK_DIR} 覆盖配置文件中指定的工作目录

--resume-from ${CHECKPOINT_FILE} 程序中断后继续训练，从先前的检查点文件恢复

--options 'Key=value' : 在使用的配置中覆盖一些设置。

Use pre-trained model

要使用预训练的模型，新的配置在load_from中添加预训练模型的链接。用户可能需要在训练前下载模型权重，以避免训练期间的下载时间。

checkpoint_config = dict(interval=1)
# yapf:disable
log_config = dict(
    interval=50,
    hooks=[
        dict(type='TextLoggerHook'),
        # dict(type='TensorboardLoggerHook')
    ])
# yapf:enable
dist_params = dict(backend='nccl')
log_level = 'INFO'
load_from = 'https://s3.ap-northeast-2.amazonaws.com/open-mmlab/mmdetection/models/mask_rcnn_r50_fpn_2x_20181010-41d35c05.pth'
resume_from = None
workflow = [('train', 1)]

测试命令（测试整个测试集）

# single-gpu testing
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}] [--show]

RESULT_FILE：输出结果的文件名，采用pickle格式。如果未指定，结果将不会保存到文件中。
EVAL_METRICS：要根据结果评估的项目。允许的值是：COCO:proposal_fast, proposal, bbox, segm PASCAL VOC: mAP, recall
--show：如果指定，检测结果将绘制在图像上并显示在新窗口中。仅适用于单GPU测试，用于调试和可视化。请确保您的环境中可以使用GUI，否则您可能会遇到类似的错误。cannot connect to X server
--show-dir: 如果指定，检测结果将绘制在图像上并保存到指定的目录中。仅适用于单GPU测试，用于调试和可视化。使用此选项时，您的环境中不需要可用的GUI。
--show-score-thr: 如果指定，则将删除分数低于此阈值的检测。

具体示例：

1. Test Faster R-CNN and visualize the results. Press any key for the next image.

python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \
    checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth \
    --show

2. Test Faster R-CNN and save the painted images for latter visualization.

python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x.py \
    checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth \
    --show-dir faster_rcnn_r50_fpn_1x_results

3. Test Faster R-CNN on PASCAL VOC (without saving the test results) and evaluate the mAP.

python tools/test.py configs/pascal_voc/faster_rcnn_r50_fpn_1x_voc.py \
    checkpoints/SOME_CHECKPOINT.pth \
    --eval mAP

4. Test Mask R-CNN with 8 GPUs, and evaluate the bbox and mask AP.

./tools/dist_test.sh configs/mask_rcnn_r50_fpn_1x_coco.py \
    checkpoints/mask_rcnn_r50_fpn_1x_20181010-069fa190.pth \
    8 --out results.pkl --eval bbox segm

Image demo（测试单张图像）

python demo/image_demo.py ${IMAGE_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE} [--device ${GPU_ID}] [--score-thr ${SCORE_THR}]

Examples:

python demo/webcam_demo.py configs/faster_rcnn_r50_fpn_1x_coco.py \
checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth

测试图像的High-level APIs

下面是一个构建模型和测试给定图像的示例。

from mmdet.apis import init_detector, inference_detector
import mmcv

config_file = 'configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth'

# build the model from a config file and a checkpoint file
model = init_detector(config_file, checkpoint_file, device='cuda:0')

# test a single image and show the results
img = 'test.jpg'  # or img = mmcv.imread(img), which will only load it once
result = inference_detector(model, img)
# visualize the results in a new window
model.show_result(img, result)
# or save the visualization results to image files
model.show_result(img, result, out_file='result.jpg')

# test a video and show the results
video = mmcv.VideoReader('video.mp4')
for frame in video:
    result = inference_detector(model, frame)
    model.show_result(frame, result, wait_time=1)

Useful tools

分析日志

pip install seaborn

python tools/analyze_logs.py plot_curve [--keys ${KEYS}] [--title ${TITLE}] [--legend ${LEGEND}] [--backend ${BACKEND}] [--style ${STYLE}] [--out ${OUT_FILE}]

绘制分类损失

python tools/analyze_logs.py plot_curve log.json --keys loss_cls --legend loss_cls

绘制训练时的分类和回归损失，并将该图保存为pdf。

python tools/analyze_logs.py plot_curve log.json --keys loss_cls loss_bbox --out losses.pdf

在同一个图中绘制两次训练的bbox mAP

python tools/analyze_logs.py plot_curve log1.json log2.json --keys bbox_mAP --legend run1 run2

引用

https://blog.csdn.net/weixin_41010198/article/details/106258366

https://zhuanlan.zhihu.com/p/101225733

TYUT_xiaoming

关注

7
点赞
踩
46

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录