mmdetection使用Faster-RCNN训练自己的coco格式数据集

最新推荐文章于 2024-06-21 21:33:05 发布

lkxxxxxx

最新推荐文章于 2024-06-21 21:33:05 发布

阅读量956

点赞数 7

文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/lkxxxxxx/article/details/138202206

版权

参考博客使用MMDetection训练自己的数据集(COCO)-CSDN博客

1.准备好数据集

2.在主目录的configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py找到需要配置的文件，依次修改

3.进入configs/_base_/models/faster-rcnn_r50_fpn.py，修改num_classes为自己的类别数

4.在mmdet/configs/_base_/datasets/coco_detection.py中修改自己的数据集路径和训练图片的imgsz

5.在使用的mmdet/configs/_base_/schedules/schedule_1x.py中修改自己的epoch等

6.在mmdet/datasets/coco.py中修改自己的数据集类别名称，在mmdet/evaluation/functional/class_names.py中修改自己的类别

7.运行命令

python  tools/train.py E:/GoogleDownload/mmdetection-main/mmdet/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py   --work-dir run_workstation

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

lkxxxxxx

关注关注

7
点赞
踩
23

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

【深度学习】目标检测，Faster-RCNN算法训练，使用mmdetection训练

q742971636的博客

06-05

526

emmmm，，这mmdetection的配置文件的方式真老火啊，例子不太多，算了，节约时间，直接用别的代码，就此打住。在 Pascal VOC 数据集上测试 Faster R-CNN，不保存测试结果，测试 mAP。为了便于测试，下载数据集。

【VisDrone数据集】Faster-RCNN训练VisDrone数据集步骤与结果

Gorgeous_wxd

08-13

1488

Faster-RCNN训练VisDrone数据集步骤与结果

1 条评论您还未登录，请先登录后发表或查看评论

【干货】用mmdetection，在COCO数据集上跑通faster R-CNN（测试、训练）

最新发布

weixin_45558466的博客

06-21

712

1. 在 mmdetection-main\mmdet\datasets\coco.py 文件中将原来的coco数据集的类别和调色板注释掉换成自定义数据集的类别和调色板2. 在 mmdetection-main\mmdet\evaluation\functional\class_names.py 文件中将原来的coco数据集的类别注释掉换成自定义数据集的类别，注意有两处3. 本文的data文件夹布局和coco数据集的布局一样，只是将图片和标注文件的内容换成了自定义数据集的。

mmdetection 训练 Faster R-CNN

weixin_40042498的博客

01-20

1916

训练步骤安装 labelme conda create --name=labelme python=3.6 conda activate labelme pip install pyqt5 pip install labelme 安装 scikit-image，scipy pip install scikit-image -i https://pypi.tuna.tsinghua.edu.cn/simple pip install scipy -i https://pypi.tuna.tsing

【mmdetection】使用cascade-rcnn、faster-rcnn训练自定义的coco数据集

qq_41627396的博客

05-06

1万+

开始这篇文章主要是记录我第一次使用mmdetection工具包里面的cascade-rcnn训练自己模型的经过训练环境本次是使用的系统是linux的ubuntu20.04 cuda=10.2 cudnn=7.6.5 anaconda=3（用于创建虚拟环境，后续的训练、测试模型也在这个虚拟环境中） (以上软件安装可以参考其他博客) pytroch=1.5.0 torchvision=0.6.0 cudatoolkit=10.2.89 mmcv-full=1.3.1 mmdetection=v2.11

详解mmdetection中的faster rcnn

absence521的博客

01-05

748

mmdetection包含很多目标监测和实例分割模型，集成度很高，新手学习起来，可能配置环境就要很久，看懂代码更是不易，本文主要解析项目中faster-rcnn的配置信息

使用自己的数据集训练faster-rcnn

yychentracy的博客

03-13

776

之前的文章已经讲过如何制作voc数据集，本篇博客主要讲的是利用我自己的数据集进行faster-rcnn的训练。加粗样式参考的博客有： 1 https://blog.csdn.net/zcy0xy/article/details/79614862 2 https://blog.csdn.net/char_QwQ/article/details/80980505 1 首先需要找一个适合自己的代码我...

气球的mask-rcnn转coco的数据集，可直接使用最新的mmdetection框架去训练，测试效果好

04-26

5. **训练与测试**: 使用转换后的COCO格式数据集，可以直接在MMDetection框架内训练Mask R-CNN模型。训练过程涉及模型参数的优化，通过反向传播更新权重，以最小化预测结果与真实标签之间的差异。测试阶段则评估模型...

faster rcnn训练coco时少的两个json文件

07-11

faster rcnn训练coco数据集少了两个json文件，这是一个压缩包，两个json文件全部在里面

MMDetection训练自定义COCO格式数据集

珺毅同学的博客

03-18

1170

MMDetection训练自定义COCO格式数据集操作指南

（linux/MMdetection2）faster RCNN目标检测：训练自己的coco格式数据集，单/多gpu训练与测试，笔记

chao_xy的博客

04-16

3393

（linux/MMdetection）faster RCNN目标检测：训练自己的coco格式数据集，单/多gpu训练与测试，笔记

mmdetection 如何训练自己的coco数据集

liuqiangaliuv的博客

08-10

2859

1.制作coco数据集（annotations是根据数据集Annotations转换成coco得到的）（对训练集做5次交叉验证，得到10个文件，同时将test数据集中的图片按顺序整理成test.json文件） 2.处理好数据之后，就可以进行训练我们需要修改的有以下几个地方。 /mmdetection-master/mmdet/datasets/coco.py 将CLASSES中的类别换成自己的 mmdetection-master/configs/_base...

mmdetection 商汤开源库 FasterRCNN 训练自己的数据集 VOC2007, 結果可視化 2019

史蒂夫方

08-11

6360

目前為止玩过了兩個目标检测库一個是陈云大神的simple-faster-rcnn 一个就是商汤科技的mmdetection 这篇主要讲一下商汤的 mmdetection 如何训练自己的数据集 个人认为必须要养成看官方文档的习惯，尤其开始学习一个新的库的时候步骤将分为安装库配置数据集 调整训练文件结果可视化 数据集格式： VOC2007为主第一步安装mmdetection ...

Faster-RCNN系列（一）制作自己的数据集Pascal_VOC格式

sage_wang的博客

02-18

8032

使用的是Faster-RCNN-TF 一、数据集准备我们在做目标识别时，大家都知道要有训练集、验证集以及测试集，当然数据集格式也有很多种，我们这里使用的是pascal_voc数据格式。如下图是voc2007数据集文件夹格式 JPEGImages：用来保存你的数据图片，当然，对于faster-rcnn来讲，所有的图片必须是jpg/jpeg格式，其他格式的话要转换一下。另外，一定要对图片进行编...

win10系统mmdetection训练部署fasterrcnn的全过程

keep

08-04

3739

训练mmdetection中的fasterrcnn的全过程以及问题记录，修改cpp文件增加标签类别和计时，使用mmdeploy进行部署。

用mmdetection训练自己的数据集

comea23的博客

03-13

2035

接触目标检测也有半年时间了，论文看了一些，但是都是看得马马虎虎，这次先用mmdetection跑一下Faster-rcnn，后面彻底熟悉了，再分析它的运行过程。可能有人说先打牢基础，看这看那，我认为还是得及时地和实际结合，如果有不对指出，请批评指正。 mmdetection是商汤提出来的一个框架吧，如果只是想单纯的跑跑完成任务的话真的很实用，我第一次上手用的就是它，连...

mmdetection使用方法（使用mmdetection搭建faster-RCNN模型）

ShakalakaPHD的博客

10-24

7732

使用mmdetection搭建faster-RCNN模型配置环境二级目录三级目录配置环境操作系统：Ubuntu20.04 CUDA版本：10.2 Pytorch版本：1.6.0 TorchVision版本：0.7.0 mmdet版本：2.5.0 硬件：RTX2070S*2 二级目录三级目录

mmdetection训练faster-rcnn

06-28

### 回答1： MMDetection是一个开源目标检测框架，它支持许多不同的目标检测模型，包括Faster R-CNN。要训练Faster R-CNN模型，您需要准备数据集、模型配置文件以及训练脚本。可以参考MMDetection的官方文档（https://mmdetection.readthedocs.io/en/latest/tutorials/train.html），了解详细的训练步骤。 ### 回答2： mmdetection是一个用于目标检测的开源框架。其中，Faster R-CNN是其中一种比较常用的检测网络，主要通过Region Proposal Network（RPN）生成候选区域，然后利用RoI Pooling对这些区域进行特征提取和分类。在训练Faster R-CNN时，我们需要做以下几步： 1. 数据预处理：将数据转换为合适的格式，例如将图片和标注转换为COCO（Common Objects in Context）格式。 2. 模型搭建：使用mmdetection中提供的配置文件进行模型搭建，并进行相应的超参数设置。在进行设置时，需要考虑到训练时可能需要使用的GPU数量，以及学习率，权重衰减等参数。 3. 数据扩增：为了提高模型的鲁棒性，在训练前需要进行数据扩增，常用的方法包括随机裁剪、随机翻转、随机旋转等。 4. 数据加载：定义DataLoader来实现数据的批量加载，并设置数据的并行数，以便加快训练速度。 5. 损失函数：Faster R-CNN中常用的损失函数包括分类损失和回归损失。在训练时需要同时计算这两种损失函数，并设置相应的权重。 6. 模型训练：对模型进行训练。在训练过程中，可以使用Adam等优化器对模型进行优化，并进行学习率调整、权重更新等操作。训练时需要注意过拟合的问题，并及时进行模型的调整。 7. 模型测试：在训练完成后，使用测试集数据对模型进行测试，以验证模型的准确性和鲁棒性。总之，mmdetection训练Faster R-CNN需要进行许多步骤，其中需要注意的是数据的预处理、模型搭建和调整超参数、数据扩增、损失函数的设定、并行计算和过拟合的问题。通过对这些步骤进行科学、合理的设置，可以获得较好的结果。 ### 回答3： mmdetection是一个开源的目标检测框架，其中包含了许多常用的检测算法如Faster R-CNN，RetinaNet等模型，同时也提供了细粒度的API接口方便用户进行自定义的检测模型开发。在使用mmdetection训练Faster R-CNN模型时，首先需要准备数据集。一般而言，数据集应包含包含训练图片、标注文件和验证图片。其中标注文件指的是通过标注工具标记每张图片中要检测的区域，并且标注的格式应符合COCO格式。接着需要进行模型配置，mmdetection支持许多的配置项，如数据增强方式、anchor设计和ROI pooling等。用户可以根据自己的需求进行设置。对于Faster R-CNN模型而言，它一般需要设置backbone、RPN以及ROI pooling等模块的参数。在模型配置完成后，就可以使用mmdetection提供的训练函数进行模型训练了。通常使用的是SGD或Adam等优化器，训练时可进行多次迭代，不断优化模型的参数。另外，模型训练过程中还需要进行模型验证。通常在每一次训练迭代结束后，对于验证集上的表现进行评估，了解模型的效果。在评估过程中，可以计算模型的精度、召回率等指标，据此判断模型的性能是否达到要求，并进行参数的微调。需要注意的是，Faster R-CNN模型的训练所需要的时间和硬件资源比较大，因此在进行模型训练时，可选择使用GPU进行加速。此外，也需要耐心地对模型进行调整和优化，以提高模型的检测效果。总的来说，mmdetection训练Faster R-CNN模型需要进行数据集准备、模型配置、模型训练和模型验证等步骤。需要注意的是，模型训练时间较长，需要耐心对模型进行调整和优化，保证最终的检测效果达到要求。