mmdetection 学习小结

最新推荐文章于 2023-08-26 17:48:28 发布
最新推荐文章于 2023-08-26 17:48:28 发布
阅读量3.4k 收藏 27
点赞数 5
分类专栏： mmdetection
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/long_xuan123/article/details/101266643
版权

笔者最近由于项目学习了一下 mmdetection 工具箱，这里记录一下心得体会！笔者的 mmdetection 版本为 v1.0rc0 (27/07/2019)

 

目录

参考网址

安装教程

1.打开终端，使用conda创建一个虚拟环境

2.安装Pytorch（2019.09.24安装的是 Pytorch1.2）

3.安装Cython

4.安装mmcv

5.安装mmdetection

6. 测试demo

训练自己的COCO数据

1. 准备coco数据

2. 训练前修改文件

3. 训练

Tips

 

参考网址

 

安装教程

笔者最开始尝试将mmdetection安装在windows系统中,试了一天也没有成功，果断放弃。然后在linux系统中，半小时就配置完了！所以还是建议参考官方安装配置方法，装在linux系统中较方便！

环境支持：

  • cuda 9.0 + cudnn 9.1
  • python 3.7
  • Anaconda 3

依赖库：

  • Pytorch 1.2+ (2019.09.24时，python3.7需要搭配pytorch 1.2 ,笔者最开始安装1.1时报错)
  • cython
  • mmcv

步骤：

1.打开终端，使用conda创建一个虚拟环境

conda create -n open-mmlab python=3.7
conda activate open-mmlab

这两句官方配置代码，conda activate open-mmlab 在笔者的linux系统中并不好用，换成 source activate open-mmlab 才激活虚拟环境。

2.安装Pytorch（2019.09.24安装的是 Pytorch1.2）

conda install pytorch=1.2 -c pytorch

安装好以后，进入Python环境，输入 import torch 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

mmcv也是mmdetection团队开发的一个CV库，提供了很多基本功能，所以需要先安装这个。后续你也可以根据自己的需要对这个库进行修改，但是每次修改好你都需要使用如下命令重新安装mmcv，否则你的修改是起不了作用的。

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

注意最后一句 pip install . 后面有个点！！！

笔者在这里遇到过一些问题，安装mmcv之前需要预先安装 pycocotools、terminaltables、Pillow、scikit-image、scipy、matplotlib等依赖库，需要先用 conda install xxx 或者 pip install xxx 等命令安装，再安装mmcv。

5.安装mmdetection

最新的（2019.09.24）官方安装代码如下：

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
python setup.py develop

笔者注意到，一些之前的安装教程需要先编译  ./compile.sh 再进行安装，但是最新的库已经取消 ./compile.sh 编译过程！

所以在安装mmdetection时，最主要的还是参考最新的官方安装教程！

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
注：感谢CSDN博主「藏云阁主」的网盘分享，原文链接：https://blog.csdn.net/hajlyx/article/details/83542167

from mmdet.apis import init_detector, inference_detector, show_result
 
# 首先下载模型文件https://s3.ap-northeast-2.amazonaws.com/open-mmlab/mmdetection/models/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth
config_file = 'configs/faster_rcnn_r50_fpn_1x.py'
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth'
 
# 初始化模型
model = init_detector(config_file, checkpoint_file)
 
# 测试一张图片
img = 'test.jpg'
result = inference_detector(model, img)
show_result(img, result, model.CLASSES)
 
# 测试一系列图片
imgs = ['test1.jpg', 'test2.jpg']
for i, result in enumerate(inference_detector(model, imgs, device='cuda:0')):
    show_result(imgs[i], result, model.CLASSES, out_file='result_{}.jpg'.format(i))

上述demo代码笔者亲测可用，附上跑出的第一张图片，虽然fp高的惊人，但还是证明 安装的mmdetection 已经好用了！

也可以在官方给的链接下载预训练模型

https://github.com/open-mmlab/mmdetection/blob/master/MODEL_ZOO.md

 

训练自己的COCO数据

注：这里主要参考CSDN博主「Yee_Ko」的原创文章，原文链接：https://blog.csdn.net/gaoyi135/article/details/90613895

1. 准备coco数据

需要说明的是官方提供的所有代码都默认使用的是coco格式的数据集，所以不想太折腾的话就把自己的数据集转化成coco数据集格式吧。各种类型数据转coco格式脚本见：转换工具箱 。推荐使用其中的labelme2coco.py文件。

制作好数据集之后，官方推荐coco数据集按照以下的目录形式存储：

mmdetection
├── mmdet
├── tools
├── configs
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── train2017
│   │   ├── val2017
│   │   ├── test2017
 

2. 训练前修改文件

笔者用的模型是 ‘configs/faster_rcnn_r50_fpn_1x.py’

1). 修改 configs/faster_rcnn_r50_fpn_1x.py 中 data_root 为自己的COCO数据集绝对路径

2). 修改 configs/faster_rcnn_r50_fpn_1x.py 中 work_dir 为训练后模型存储路径

3. 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 /home/*****/mmdetection/configs/faster_rcnn_r50_fpn_1x.py <GPU_NUM> [optional arguments]

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 /home/*****/mmdetection/configs/faster_rcnn_r50_fpn_1x.py --gpus 0

至此，网络已经开始训练了！训练完成后，利用上述测试demo.py的代码测试即可！

 

Tips

笔者在安装mmdetection的过程中，还遇到过显卡驱动不兼容的问题！

参考了 Linux安装NVIDIA显卡驱动的正确姿势 这篇博文后，只用了两行语句完美解决了问题。

ubuntu-drivers devices   # 查询所有ubuntu推荐的驱动
sudo ubuntu-drivers autoinstall

查看显卡信息：

watch -n 0.1 nvidia-smi

 

long_xuan123
关注
  • 5
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
MMDetection'document.pdf
01-13
MMDetection'document
mmdetection源码注释
01-17
商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN等主流的目标检测框架，后续会加入Cascade-...
输出TensorFlow保存的checkpoint内变量的几种方法
云游客来的专栏
08-13 1752
1. tensorflow官方save and restore部分。 其中 inspect_checkpoint library,可以用来检查checkpoint中的变量。（https://www.tensorflow.org/guide/saved_model?hl=zh-cn）。 # import the inspect_checkpoint library from tensorflo...
checkpoint模型保存
miss_the_boat的博客
07-03 993
checkpoint用法，持续更新
【笔记】tf 三种模型保存格式总结 checkpoint(*.ckpt)
nyist_yangguang的博客
12-06 4298
1.checkpoint(*.ckpt) 1.1文件结构介绍： ---checkpoint ---model.ckpt-240000.data-00000-of-00001 ---model.ckpt-240000.index ---model.ckpt-240000.meta 如图所示，Tensorflow模型主要包括两个方面内容：1）神经网络的结构图graph；2）已训练好的变量参数。 因此Tensorflow模型主要包含两个文件： 1）元数据图（meta graph）： 它保存了t..
mmdetection源码解读（八）
Haku_yyf的博客
11-26 1469
自定义backbone mobilenetv2SSD from torch import nn from torchvision.models.utils import load_state_dict_from_url from ..registry import BACKBONES from mmcv.runner import load_checkpoint import logging...
MMDetection的学习笔记
墨门
07-25 4053
Keywords: MMDet MMDetection的学习笔记。
快速上手MMDetection学习笔记
AndrewPerfect的博客
08-26 962
本文利用MMDetection已经实现的RetinaNet模型在COCO上进行训练作为示例，演示了MMDetection的模型训练流程。总的来说分为三个步骤：1、准备数据集2、准备配置文件：配置文件由一系列dict组成，dict中的type键值代表注册的类别，build函数可以通过识别dict中的type来初始化对应的类。配置文件一般会继承一个通用配置文件，然后在此基础上根据需求调整。3、开始训练：调用MMDetection自带的train.py进行训练。
MMDetection框架入门教程（完全版）
热门推荐
Sual
11-14 7万+
  网上MMDetection的教程看似有很多，但感觉都不成系统，看完一圈下来还是不知道MMDetection要怎么用。这里还是推荐直接跟着官方教程，结合源码学习MMDetection，相关链接汇总如下： 官方教程 - MMCV 官方教程 - MMDetection 官方教程 - 不得不知的 MMDetection 学习路线(个人经验版) 西安交大课件 - mmdetection教程(使用篇)   本文会介绍如何在MMDetection中从头开始搭建一套属于自己的算法。前几篇博客算是本人学习过...
MMDetection实战：MMDetection训练与测试
AI浩
05-08 1万+
摘要 MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目，它基于Pytorch实现了大量的目标检测算法，把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块，通过模块调用的方式，我们能够以很少的代码量实现一个新算法，大大提高了代码复用率。 GitHub链接：https://github.com/open-mmlab/mmdetection。 Gitee链接：https://gitee.com/open-mmlab/mmdetection。 主分支代码目前支持 PyTorch 1
MMDetection学习笔记（一）：训练与测试
博学而笃志，切问而近思。
08-24 2077
MMDetection学习笔记（一）：训练与测试
mmdetection修改backnone
03-26
在MMDetection中我们知道，各种文件都是通过配置来进行构建。由于我使用了新的数据集，也替换了新的网路结构，所以我新建了一个新的配置文件，名称为：detr_spinmlp_8x8_150e_mask.py 将原本是resnet的替换为我设计...
安装mmdetection心得.md
11-26
windows安装mmdetection
Suno AI Download 免费下载Suno AI 音乐
04-18
网站描述：Sunoaidownload——从分享链接中轻松下载Suno AI生成的歌曲文件 内容概要： 这是一个专门提供Suno AI生成的歌曲文件下载服务的网站，用户可以通过分享链接轻松获取所需文件。本网站提供高质量、多样化的音乐资源，满足不同用户的需求。 适用人群： 该网站适用于所有热爱音乐、需要音乐素材的用户，特别适合音乐创作者、音乐爱好者、学生、教师等人群使用。 使用场景： 该网站的使用场景非常广泛，具体包括以下几个方面： 1. 音乐创作：音乐创作者可以使用本网站提供的歌曲文件进行创作，丰富作品内容，提升作品质量。 2. 音乐学习：学生和教师可以使用本网站的歌曲文件进行音乐学习，提高音乐素养和技能。 3. 娱乐休闲：普通用户可以使用本网站的歌曲文件进行放松、娱乐和休闲，享受音乐带来的愉悦。 其他说明： 本网站提供高速、稳定的下载服务，确保用户能够快速获取所需文件。同时，我们注重版权保护，只提供合法授权的歌曲文件，避免侵犯他人权益。为了更好地服务用户，我们不断优化网站功能和用户体验，欢迎提出宝贵意见和建议。此外，为了保障用户数据安全，我们采取了先进的安全措施。
基于Python的Django配置Celery设计源码
04-18
本项目是基于Python的Django配置Celery设计源码，包含20个文件，其中主要包含17个py源代码文件。系统采用了Python编程语言，实现了Django配置Celery的功能。项目结构清晰，代码可读性强，易于理解和维护。
物联网嵌入式ESP32开发例程05-FreeRTOS操作系统之时间片调度C程序代码.rar
04-18
1、嵌入式物联网ESP32项目实战开发。例程经过精心编写，简单好用。 2、代码使用Visual Studio Code + ESP-IDF开发，C语言编程。例程在ESP32-S3上运行。若在其他型号上运行，请自行调整。 3、如果接入其他传感器，请查看发布的其他资料。 4、ESP32与模块的接线，在代码当中均有定义，请自行对照。 5、若硬件差异，请根据自身情况适当调整代码，程序仅供参考。 6、代码有注释说明，请耐心阅读。 7、技术v：349014857;
华为IPMS流程优化策略glz.pptx
04-18
华为IPMS流程优化策略glz.pptx
文字转合成语音软件工具
最新发布
04-18
文字转语音软件，两款，都非常好用，亲测有效，免费声音足够使用，需要的兄弟自行下载
mmdetection训练学习率
08-12
在mmdetection中，有两种设置学习率的方法。第一种方法是在训练命令后面添加参数--auto-scale-lr。这种方法会根据训练的规模自动调整学习率。第二种方法则是根据使用的GPU数量和每个GPU的图像数量来设置学习率。具体地，当使用8个GPU且每个GPU处理2个图像时，学习率为0.02；当使用4个GPU且每个GPU处理2个图像时，学习率为0.01；当使用2个GPU且每个GPU处理2个图像时，学习率为0.005；当使用1个GPU且每个GPU处理2个图像时，学习率为0.0025。 在训练过程中，还可以通过train.py的参数来调整学习率。例如，--work-dir参数用于指定训练保存模型和日志的路径，--resume-from参数用于从预训练模型checkpoint中恢复训练，--no-validate参数用于在训练期间不评估checkpoint，--gpus参数用于指定训练使用的GPU数量，--gpu-ids参数用于指定使用哪一块GPU，--seed参数用于设置随机种子，--deterministic参数用于是否为CUDNN后端设置确定性选项，--options参数用于指定其他参数的字典，--launcher参数用于指定作业启动器，--local_rank参数用于指定LOCAL_RANK，--autoscale-lr参数用于根据测试数量自动缩放学习率。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [MMDetection实战：MMDetection训练与测试](https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124647370)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* [【mmdetection】mmdetection学习率设置](https://blog.csdn.net/wxd1233/article/details/123128276)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值