1、下载数据集
从网上下载数据集后
打开colab笔记本,依次运行如下代码
from google.colab import drive
drive.mount('/content/drive')
%cd /content/drive/MyDrive
# 下载MMDetection,下载后注释掉
# !git clone https://github.com/open-mmlab/mmdetection.git
#卸载原有的pytorch
!pip uninstall torch torchvision -y
#线上安装新的pytorch
!pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html
# install mmcv-full thus we could use CUDA operators
!pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.9.0/index.html
#安装mmcv和额外的环境配置
!pip install ipykernel
!pip install mmpycocotools
#安装mmdetection
# %cd /
# !cp -a /content/gdrive/MyDrive/mmdetection /
%cd /content/drive/MyDrive/mmdetection
!pip install -r requirements/build.txt
!pip install -v -e . # or "python setup.py develop"
- 开始解压数据集
# 解压数据集到本地路径
!rm -rf /orange_resized
!unzip /content/drive/MyDrive/datasets.zip -d /
2、自制数据集
3、训练模型
在MMDetection里面有对比两个json文件的代码在Docs-Log Analysis
- 参数数据
- 对比代码示例,对比是两个json文件,绘制曲线,对比的参数是–key后面的,生成pdf图
!python tools/analysis_tools/analyze_logs.py plot_curve ```
work_dirs/compared_json/Swin.json work_dirs/compared_json/Cascade_RCNN.json
--key bbox_mAP --legend Swin_Transformer Cascade_RCNN Mask_RCNN Faster_RCNN
--title mAP --out mAP.pdf
4、构建自己的模型
- 只需要第一行写一个继承,后面的代码修改其中修改的部分就可以了
5、加入预训练权重
- 为了减少训练次数,同时又能达到训练结果,在训练前可以加入训练权重
- 权重模型在MMDetection官网
- 输入代码
#下载权重文件
!wget -P checkpoints https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r101_fpn_2x_coco/faster_rcnn_r101_fpn_2x_coco_bbox_mAP-0.398_20200504_210455-1d2dac9c.pth
- 权重放在checkpoint文件夹里面
- 加载权重文件去其他文件中
- 在你训练的该模型中加入权重
- 接着再训练该模型就会变得很厉害