1.整体流程
利用MMDetection进行训练,一般需要下面这几步:
-
选择一个基础模型,下载对应的配置文件和预训练的参数文件
-
将数据整理成MMDetection支持的形式,如COCO格式或者其他格式
-
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(学习率,训练轮次等)
2. 用预训练好的权重来进行coco数据集的训练
首先先搜索一下模型的config
mim search mmdet --model "yolov3"
这样就会显示出mmdet中已经预训练好的yolov3的模型
然后选择合适的进行下载
mim download mmdet --config yolov3_mobilenetv2_mstrain-416_300e_coco --dest .
这样就下载好了模型的配置文件和预训练的权重
然后修改配置文件
_base_ = ['yolov3_mobilenetv2_mstrain-416_300e_coco.py']
data = dict(
samples_per_gpu=8,
workers_per_gpu=4,
train = dict(
dataset = dict(
ann_file='annotation/instances_val2017.json',
img_prefix='F:\DetectionDemo\pytorch-retinanet\pytorch-retinanet\coco\\val2017'
)
),
val=dict(
ann_file='annotation/instances_val2017.json',
img_prefix='F:\DetectionDemo\pytorch-retinanet\pytorch-retinanet\coco\\val2017'
),
test=dict(
ann_file='annotation/instances_val2017.json',
img_prefix='F:\DetectionDemo\pytorch-retinanet\pytorch-retinanet\coco\\val2017'
),
)
load_from = 'yolov3_mobilenetv2_mstrain-416_300e_coco_20210718_010823-f68a07b3.pth'
optimizer = dict(type='SGD', lr=0.001)
optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2))
lr_config = None
runner = dict(type='EpochBasedRunner', max_epochs=8)
执行下面的命令进行训练
mim train mmdet my_mmdet.py
具体可参考:
https://www.bilibili.com/video/BV1NL4y1c7ki?p=4&vd_source=7389fb243411af7416b35d82e62ad57f