检测（１）跑通mmdetection

 

二、安装教程

本人的系统环境：

• Ubuntu 16.04

• Cuda 9.0 + Cudnn 7.0.5  (cuda8.0也可，亲测)

• Python 3.6 （mmdetection要求Python版本需要3.4+）

• Anaconda 3 （可选）

这里推荐大家使用Anaconda，可以比较方便的创建Python虚拟环境，避免不同的Python库之间产生冲突。在安装mmdetection之前，需要安装以下几个依赖库：

• PyTorch 1.0 (

• Cython

• mmcv

下面是我的安装和测试步骤，以Anaconda 3为例。

1. 使用conda创建Python虚拟环境（可选）

　　conda create -n mmdetection python=3.6

　　source activate mmdetection

　　这样就创建了名为mmdetection的Python3.6环境，并且在terminal中激活。

2. 安装Pytorch 1.0

　　conda install pytorch=1.0 -c pytorch

　　这样的速度会比较慢，我之后会贴一个百度云，里面贴了这些所需要的库，包括torch1.0-cp36等

　　安装好以后，进入Python环境，输入以下代码测试是否安装成功，不报错则说明安装成功

 

3. 安装Cython

　　conda install cython

4. 安装mmcv

　　git clone https://github.com/open-mmlab/mmcv.git

　　cd mmcv

　　pip install .

注意：这里会下载opencv,如果下载太慢，可以自己去下载，链接会运行时会显示

注意pip install 后面有个点，别漏了

5. 安装mmdetection

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

　　cd mmdetection

　　./compile.sh

　　python setup.py install

 

　　注意：这里编译必须要求gcc是５.４版本,如果不是，会出现错误：segmentation fault

到此，我们就完成了mmdetection及其依赖库的安装

6. 测试Demo

将下方的代码写入py文件，并存放到mmdetection文件夹目录下，然后运行。该代码的功能是检测图片中的目标，测试模型是官方给出的Faster-RCNN-fpn-resnet50的模型，运行代码会自动下载模型。由于模型是存储在亚马逊云服务器上，速度可能会稍慢，如果下载失败可以通过我的网盘链接mmdetection（密码：dpyl）进行下载，存放到mmdetection文件夹目录下，然后修改下方代码的相关部分

import mmcv

from mmcv.runner import load_checkpoint

from mmdet.models import build_detector

from mmdet.apis import inference_detector, show_result

cfg = mmcv.Config.fromfile('configs/faster_rcnn_r50_fpn_1x.py')

cfg.model.pretrained = None

 

# 构建网络，载入模型

model = build_detector(cfg.model, test_cfg=cfg.test_cfg)

 

_ = load_checkpoint(model, 'https://s3.ap-northeast-2.amazonaws.com/open-mmlab/mmdetection/models/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth')

# 如果通过网盘下载，取消下一行代码的注释，并且注释掉上一行

# _ = load_checkpoint(model, 'faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth')

 

# 测试一张图片

img = mmcv.imread('test.jpg')

result = inference_detector(model, img, cfg)

show_result(img, result)

 

# 测试多张图片

imgs = ['test1.jpg', 'test2.jpg']

for i, result in enumerate(inference_detector(model, imgs, cfg, device='cuda:0')):

print(i, imgs[i])

show_result(imgs[i], result)

7. 准备自己的数据

mmdetection支持coco格式和voc格式的数据集，下面将分别介绍这两种数据集的使用方式

• coco数据集
  官方推荐coco数据集按照以下的目录形式存储，以coco2017数据集为例

mmdetection

├── mmdet

├── tools

├── configs

├── data

│ ├── coco

│ │ ├── annotations

│ │ ├── train2017

│ │ ├── val2017

│ │ ├── test2017

推荐以软连接的方式创建data文件夹，下面是创建软连接的步骤

cd mmdetection

mkdir data

ln -s $COCO_ROOT data

其中，$COCO_ROOT需改为你的coco数据集根目录

• voc数据集
  与coco数据集类似，将voc数据集按照以下的目录形式存储，以VOC2007为例

mmdetection

├── mmdet

├── tools

├── configs

├── data

│ ├── VOCdevkit

│ │ ├── VOC2007

│ │ │ ├── Annotations

│ │ │ ├── JPEGImages

│ │ │ ├── ImageSets

│ │ │ │ ├── Main

│ │ │ │ │ ├── test.txt

│ │ │ │ │ ├── trainval.txt

同样推荐以软连接的方式创建

cd mmdetection

mkdir data

ln -s $VOC2007_ROOT data/VOCdevkit

• 1

• 2

• 3

其中，$VOC2007_ROOT需改为你的VOC2007数据集根目录
然后，下载 pascal_voc_mod.py 和 voc_classes.txt （上方的模型下载地址中有）存放到mmdetection根目录下，运行以下代码
mmdetection官方代码已更新，不再需要自己生成

如果需要标注自己的数据，推荐使用LabelImg工具标注
然后在运行 pascal_voc_mod.py 之前，修改 voc_classes.txt 里的类别名为你自己设定的类别名，再运行py文件
然后需要修改mmdet/datasets/voc.py文件中的CLASSES为你自己的类别

8. 训练

官方推荐使用分布式的训练方式，这样速度更快，如果是coco训练集，修改CONFIG_FILE中的pretrained参数，改为你的模型路径，然后运行下方代码

./tools/dist_train.sh <CONFIG_FILE> <GPU_NUM> [optional arguments]

• 1

如果是voc训练集，还需要修改config文件中的相关参数，可以参考 faster_rcnn_r50_mod.py （上方网盘地址中有），然后再运行上面的代码
mmdetection官方代码已更新，目前已支持voc格式的数据集，不再需要自己修改

如果不想采用分布式的训练方式，或者你只有一块显卡，则运行下方的代码

python tools/train.py <CONFIG_FILE> --gpus <GPU_NUM> --work_dir <WORK_DIR>

• 1

至此，如果一切顺利的话，你的模型应该就开始训练了

以上是转载的以为大神的博客，但是我中间遇到了很多问题

注意：

１　当一切都成功之后，我以为自己可以成功跑通，但是发生了这样的错误，

　　　segmentation fault

      出这个错的原因是我的gcc版本（４.８）偏低，导致编译错误，才会导致出现指针错误

      但是gcc高级版本死活安装不上去，apt-get update也更新了，但是总是卡在gbd 那里有问题

　　　问题显示：Ignoring Provides line with DepCompareOp for package gdb-minimal

　　　原因是因为我用了ubuntu14,没有听楼主的话，然后改成ubuntu16,这样gcc版本直接就是5.4,

　　　

２　如果想正确安装gcc5.0以上，需要ubuntu16版本

３　其中，python3.6在安装numpy scipy等包时，要注意：

如果想省事，pip3 install numpy

 

4 会出现编译不通：错误是：command '/usr/local/cuda/bin/nvcc' failed with exit status 1

这个时候的解决方案是：

 添加环境变量

vim ~/.bashrc

export PATH=/usr/local/cuda/bin:$PATH

５　cudnn 怎么安装？

 先下载cudnn  网上下载，然后解压tar -xzvf .....tar.gz

注意，放到哪个cuda,要根据自己的cuda版本

解压之后，得到一个 cudn 文件夹，该文件夹下include 和 lib64 两个文件夹，命令行进入 cudn/include 路径下，然后进行以下操作：

    cd cuda/include
    sudo cp cudnn.h /usr/local/cuda/include  #复制头文件

再将进入lib64目录下的动态文件进行复制和链接：

    cd ..
    cd lib64
    sudo cp lib* /usr/local/cuda/lib64/    #复制动态链接库
    cd /usr/local/cuda/lib64/
    sudo rm -rf libcudnn.so libcudnn.so.5    #删除原有动态文件
    sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5  #生成软衔接
    sudo ln -s libcudnn.so.5 libcudnn.so      #生成软链接

安装完成后可用 nvcc -V 命令验证是否安装成功，若出现以下信息则表示安装成功：
 

6

E138: Can't write viminfo file /public/home/dgxu/.viminfo!

Press ENTER or type command to continue

 

１　切换到root用户（一定要）

２　rm -f .viminf*.tmp

 

7 fatal error:cublas_v2.h: No such file or directory

cublas_v2.h是cuda里面非常重要的一个加速矩阵运算的库，所以必须安装

如何安装：这个库在/usr/local/cuda/include里面，如果没有，则有问题，需要查看

anaconda是不会安装cuda的，需要自己安装

ll命令查看是否链接，且链接的是什么

gcc版本,系统gcc版本不好更换，所以尽量使用ubuntu16

 

 8 ImportError: libSM.so.6: cannot open shared object file: No such file or directory

再装opencv时会遇到这个问题，以下代码可以解决

apt-get update

apt-get upgrade

apt-get install -y python-qt4

 

９expected str, bytes or os.PathLike object, not numpy.ndarray

有问题，一直没有解决

 

10  cannot connect to X server

由于是没有安装图形界面，所以会出现这个问题

修改方案为：

import cv2

img=imread()

 counttt=0
    for i in bboxes:
        cv2.rectangle(img,(bboxes[counttt][1],bboxes[counttt][2]),(bboxes[counttt][3],bboxes[counttt][4]),(255, 0, 0), 2)
        counttt=counttt+1
    cv2.imwrite('/workspace/a.png',img)

 

11 继续说明错误，这个错误是　batch_size=0,其实是因为你的gpu不能设置为０，如果把gpu设置为０，他会

认为这里是null,所以，只有一个gpu,要把gpu的设置为１