MMDetection安装使用教程

安装 – 使用conda进行安装

a. 创建虚拟环境并激活它
conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

b. 安装Pytorch和Torchvision
conda install pytorch torchvision -c pytorch

c. 克隆mmdetection存储库
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection

d. 安装mmdetection
pip install mmcv -i https://pypi.douban.com/simple
python setup.py develop

---

初步使用 – 测试

a. 新建文件夹checkpoints，将模型文件下载到该文件夹下面
从模型地址中选择需要的预训练模型文件。

b. 执行测试命令
python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py checkpoints/faster_rcnn_r50_fpn_1x_coco_2020-130-047c8118.pth --out output/test.pkl
注：
在执行上述测试命令时报错，ModuleNotFoundError: No module named 'mmcv_._ext'
后执行命令
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html
然后再次执行测试命令。

结果：
因为我们使用的coco数据集预训练的模型，所以为了方便，测试使用的数据也是2017coco测试集，将注释和图片文件放在data/coco文件夹下面了。

如果上述测试命令执行成功，会在output文件夹下生成一个test.pkl文件，该文件就是模型的预测结果，共5000个结果，每个结果对应80个类别的预测结果。这些类别的结果长度从0到不等，大于0时，每个子结果的长度为5，[x1, y2, x2, y2, prob]，对应左上角坐标、右下角坐标和概率。

---

进阶 – 训练

这里我们使用官方教程里的kitti-tiny数据集为例：

a. 首先下载kitti数据集
b. 然后观察格式，我们可以看出，标注的第一列是类别，5-8列是边界框坐标(x1, y1, x2, y2)。
具体操作步骤如下：

1. 在mmdet/datasets文件夹下新建一个kitty_tiny.py文件，然后在文件里定义一个KittiTinyDataset类，继承自CustomDataset，实现load_annotations()方法。
2. 在mmdet/datasets/init.py文件中添加一句，from .kitti_tiny import KittiTinyDataset
3. 在configs/base/datasets文件夹下，新建一个kitti_instance.py文件，复制coco_instance.py文件中的内容，修改dataset_type, data_root, ann_file, img_prefix, pipeline等对应的信息。
4. 在configs/base/models文件夹下，新建一个faster_rcnn_r50_fpn_kitti.py文件，复制faster_rcnn_r50_fpn.py文件中的内容，修改num_classes=3。
5. 在configs/base/schedules文件夹下新建一个schedule_kitti.py文件，复制schedule_1x.py文件内容，并修改训练策略。
6. 在configs/faster_rcnn文件夹中添加一个faster_rcnn_r50_fpn_1x_kitti.py文件，复制faster_r50_fpn_1x_coco.py文件中的内容，然后，修改_base_列表中的四个元素的路径。

最后执行训练命令：
CUDA_VISIBLE_DEVICES=2 nohup python -u tools/train.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_kitti.py --work-dir output/kitti --resume-from checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth --gpus 1 >output/kitty.log 2>&1 &
注：
源代码里每个epoch都会保存一个模型，如果内存不够的话，记得及时删除。