MMDet初尝试：以官方文档为例，训练模型

使用前配置

按照官方文档配置环境：https://mmdetection.readthedocs.io/zh_CN/3.x/get_started.html

0. 安装conda/Miniconda

1. 创建并激活一个 conda 环境

   conda create --name openmmlab python=3.8 -y
   conda activate openmmlab
   

2. 安装PyTorch（GPU平台）

   conda install pytorch torchvision -c pytorch
   

3. 使用 MIM 安装 MMEngine 和 MMCV

   pip install -U openmim
   mim install mmengine
   mim install "mmcv>=2.0.0"
   

4. 安装 MMDetection

   cd mmdetection
   pip install -v -e .
   # 注意不用遗漏“-e”后面的" .""
   # "-v" 指详细说明，或更多的输出
   # "-e" 表示在可编辑模式下安装项目，因此对代码所做的任何本地修改都会生效，从而无需重新安装。
   

5. 验证 MMDetection 是否安装正确

   1. 下载配置文件和模型权重文件

      mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest .

   2. 运行以下命令进行验证

      python demo/image_demo.py demo/demo.jpg rtmdet_tiny_8xb32-300e_coco.py --weights rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth --device cpu
      

   3. 你会在当前文件夹中的 outputs/vis 文件夹中看到一个新的图像 demo.jpg，图像中包含有网络预测的检测框

实操

这里实现的是官方文档中的“将单阶段检测器作为RPN”一节，下附链接

https://mmdetection.readthedocs.io/zh_CN/3.x/user_guides/single_stage_as_rpn.html

官方文档中写的都很详细的了，代码也有附上，这里就不再当搬运工了

总的来说就是：

1. 创建一个名为 configs/faster_rcnn/faster-rcnn_r50_fpn_fcos-rpn_1x_coco.py 的配置文件（已建立，不用自己建文件，在configs/fcos/fcos_r50-caffe_fpn_gn-head_1x_coco.py的基础上进行了修改）

2. 使用命令来训练定制模型（更多训练命令，请参考这里）

   # 使用8个 GPU 进行训练
   bash
   tools/dist_train.sh
   configs/faster_rcnn/faster-rcnn_r50_fpn_fcos-rpn_1x_coco.py
   --work-dir  /work_dirs/faster-rcnn_r50_fpn_fcos-rpn_1x_coco
   

我没有8个GPU，我只使用1个，我使用的训练命令如下

python tools/train.py configs/faster_rcnn/faster_r50_fpn_fcos-rpn_1x_coco.py --work-dir work-dir/faster_r50_fpn_fcos-rpn_1x_coco/
# 注意“-”和“_”别打混了
# work-dir为工作目录，训练好后的模型权重文件会存储在通过“--work-dir”指定的地方（自己建一个work-dir文件夹）

然后就可以看到开始输出信息

接下来会输出模型信息、工作目录以及使用钩子的信息（有点长，不全部截图了）

就开始训练模型了

（会一直输出训练的信息，如果不想看，也可以在后台挂起，将这些信息输出到指定的目录文件中

【待更新】