mmdetection训练记录

mmdetection多GPU训练说明

1、docker环境：

​ docker exec -it dj_mmdetection /bin/bash 进入docker容器，切换到mmdetection目录

cd /home/mmdetection-envs/mmdetection/

---

2、找到对的配置文件：

​ 当前目录下==>configs文件夹中找到对应的py文件，根据py文件顶部base找到对应的base配置文件(没有的话就只有文件本身)。比如faster_rcnn_x101_64x4d_fpn_1x_coco.py，其base = ‘./faster_rcnn_r50_fpn_1x_coco.py’，说明要一级一级往上找；又比如atss_r50_fpn_1x_coco.py，其base = [
‘…/base/datasets/coco_detection.py’,’…/base/schedules/schedule_1x.py’, ‘…/base/default_runtime.py’]，说明自己本身就是配置文件，只需要修改其他三个了。

---

3、修改参数：

​ 上一步找到最终的base配置后，都会出现dataset、schedules、runtime三个py文件，其中dataset和schedules是一定要修改的，最好每次train之前都确认一下环境。

​ 首先，进入…/base/schedules/schedule_1x.py文件，如果训练不是1x(对应12epochs)，就打开对应轮次的文件。这里主要修改学习率 lr 的值：官方是8张GPU ==> 0.02，如果没有特别说明学习率，一般都是线性计算的，即如果我是4张GPU就0.01，两张就0.005…以此类推。修改并检查完毕后，保存该文件。

​ 然后，进入…/base/datasets/coco_detection.py文件，修改第二行"data_root"结果为当前服务器的数据集路径，如果可以的话也可以修改数据集的mean和std。最后检查30行开始的配置中，是否文件夹和文件名和服务器数据集一一对应了。修改并检查完毕后，保存该文件。

​ 接着回到上一步中的网络对应的base.py，搜索一下配置文件中所有"num_classes"，找到并修改为当前数据集的分类个数(fridge_coco是52类)。修改完毕后保存文件。

然后换到另外一个大文件夹下：mmdetection/mmdet下面

​ 继续进入mmdet/datasets/coco.py。把CLASSES的tuple改为自己数据集对应的种类即可(fridge_coco有52类)。最后进入mmdet/core/evaluation/class_names.py修改coco_classes()方法return的list的内容，这也就是上面classes的tuple。修改完毕后保存配置文件。

​ 注：以上参数除了学习率可能经常需要根据GPU个数调整外，其他参数都已经调整好了，但是还是建议训练前多检查一遍，避免数据集等发生变化而不知道。

接下来就可以开始训练了。

---

4、多卡训练网络：

​ 此时可以cd回到mmdetection目录下，运行如下命令：

 tools/dist_train.sh ${configs下面的配置文件} ${GPU个数} --work-dir ${存储输出权重、日志等的目录}
 # 下面是具体的例子
 tools/dist_tr