使用mmdetection运行自己的VOC格式数据（AI studio下的ubuntu系统）

参考：
mmdetection使用tensorboard可视化训练集与验证集指标参数
mmdetection
mmdetection使用指南

配置mmdetection环境

mmdetection的github主页.
官方支持Python3.5+，Pytorch1.1+，CUDA9.0+。
这里我配置环境采用mmdetection1.2，Python3.7，Pytorch1.2，CUDA9.2。
本文的环境配置采用conda。

#安装python3.7
conda create -n open-mmlab python=3.7

由于AI studio默认安装的CUDA9.2，因此我从 pytorch官网查找的基于CUDA9.2的安装指令。这里需要注意如果你更改的conda的源，例如清华源，请务必删掉指令后面的-c pytorch，这样才会从清华源进行下载。

#安装pytorch1.2
conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=9.2 -c pytorch

接下来从github上把mmdetection的代码拉下来。目前mmdetection最新的是V2版本，V2版本只支持torch1.3+，本文用的是V1版本。

#下载mmdetetion
git clone https://github.com/open-mmlab/mmdetection.git

如果从终端下载速度慢，可以将下载地址复制到迅雷上进行下载，然后上传到linux系统中。
然后安装mmdetection。这里要注意的是官方给出的pycocotools下载地址安装后会报错，这里用的是git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI这个地址。

#安装mmdetetion
pip install -r requirements/build.txt
pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI
python setup.py develop

在执行 python setup.py develop这一步时，有些包下载的很慢，可以先安装好pip install mmcv等，还可以在安装过程对于遇到一些速度慢的包，复制终端中显示的下载连接到迅雷下载器中，然后再使用pip install filename.whl安装下好的whl文件。
在之后的运行过程中还可能会有关于pillow的报错，如果报错是关于pillow7.0，这是重新安装低版本的pillow6.1即可。

#更改低版本pillow
pip install pillow==6.1

至此mmdetetion的运行环境配置完成

组织VOC数据集

请务必使用官方给出的标准文件结构。

在mmdetection文件下创建data文件下，然后将标准的VOCdevkit文件夹放入其中。
如果只采用VOC数据集的话，只需在data文件下建立VOCdevkit文件夹及VOC2007文件夹即可。其中VOC2007中包含Annotations文件夹，ImageSets文件夹和JPEGImages文件夹。Annotations文件夹中放图片的XML文件，JPEGImages中放图片文件，具体内容可搜索如何制作VOC数据集。

更改配置文件，运行程序

1.修改mmdetection/mmdet/core/evaluation/class_names.py文件。修改voc_classes()中的类别名，如果只有一个类别，一定要在后面加上逗号“，”。
2.修改mmdetection/mmdet/datasets/voc.py文件。修改VOCDataset()类中的类别名，如果只有一个类别，一定要在后面加上逗号“，”。

3.修改mmdetection/configs下的配置文件，找到你所要用的模型的配置文件进行修改。
我这里以faster_rcnn_r101_fpn_1x.py为例。
更改num_classes数为类别数加1，不同的配置文件num_classes位置可能不一样，可以全局搜索进行更改。

更改dataset settigns中的dataset_type和data_root如图所示。要注意的是，该配置文件原本是没有val_pipeline这一项的，如果想要在训练中加入val验证集，需要手动复制train_pipeline这一项并改成val_pipeline，最终结果如下图。同时，还需要在该配置文件的最后一行，将workflow = [('train', 1)]改为workflow = [('train', 1),('val', 1)]。

最后修改ann_file和img_prefix两项如下图所示。

值得注意的是，上图中的imgs_per_gpu的默认值为2，我的的设备运行程序出错，如下图所示

我用的时AI studio的云设备，只有一张V100显卡，因此我将这里改为1后便解决了这个错误。

最终，运行python train.py path/to/faster_rcnn_r101_fpn_1x.py，成功开始炼丹。