MMDetection 代码教学

本文是openmmlab AI实战营的第五次课程的笔记，以下是我比较关注的部分。

本次课程是mmdetection 实践，我会稍微详细记录

在openbayes 官网 创建装好 邀请码wanglin_g8vp

创建容器

容器中很多环境已经安装好，可以使用pip list 查看

接下来安装 mmdetection

方法有两种

git clone

openmim

这里使用第二种 ,我们知道pip 是管理python的工具包，MIM实际上就是管理OpenMMLab工具包，因为有一些依赖关系比较复杂，如果直接去写比较麻烦，openmmlab 又单独开发这么一套工具去帮助简化流程

！pip install openmim
! mim install mmdet==2.22.0  

个人感觉该平台网速很快，流畅访问github,安装很快

import mmdet
print(mmdet.__version__)

查看是否安装成功

下载模型

搜索 mmdet 中的模型

！mim search mmdet --model "mask r-cnn"

选一个模型，复制configid

例如：mask_rcnn_x101_32x4d_fpn_2x_coco

#下载该模型
!mim download mmdet --config mask_rcnn_x101_32x4d_fpn_2x_coco

修改配置文件

此处插播 ：

深度学习模型的训练涉及几个方面：
模型结构：模型有多少层、每层多少通道数
数据集 : 用什么数据训练模型：模型划分，数据文件路径，数据增强策略等
训练策略：梯度下降法，学习率参数，batch_size，训练总轮数，学习率变化策略
运行时 ：GPU,分布式环境配置
一些辅助功能： 如打印日志，定时保存checkpoint 等等

事实上，要从头写一个模型训练程序要写这么多东西，但是这里面又有很多东西是共通的，从一个软件的角度来讲，我们要把一样的东西给抽出来，然后把不一样的东西写成配置文件，让用户去配置，所以在mmdetction当中形成了这么一个东西叫配置文件。你用什么样的模型，你用什么样的数据，你用什么样的数据，你用什么样的学习算法，都在配置文件中写上自己的。这个配置文件就是 上面那个命令下载的py文件

这里面比较重要的实际上也就这么几项：

1. model 字段定义模型

2. data字段定义数据

3. Optimizer, Ir_config 等字段定义训练策略

4. load_from 字段定义训练模型的参数文件

预训练的模型，只涵盖了某个数据集的一些数据，在用自己数据集训练的时候，基于预训练的模型进行微调：

• 使用基于coco 预训练的检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

具体到MMdetction 需要：

• 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

• 将数据调整成mmdetection支持的格式，如coco格式

• 修改配置文件

• 修改配置文件中的数据路径

• 修改模型的分类头

• 设置加载预训练模型

• 修改优化器配置

• 修改一些杂项

配置文件可以通过继承方式

训练

！mim train mmdet 配置文件

成功训练 ！！！

最好再降低一下学习轮次，降低学习率。

runner :epoch

optimizer : learning rate (lr)