MMrotate使用——个人纪录

一、数据集构建

1.数据集文件结构

2.裁剪数据集

原因：DOTA数据集图片尺寸过大

运行命令：

python tools/data/dota/split/img_split.py --base-json \
  tools/data/dota/split/split_configs/ss_trainval.json

python tools/data/dota/split/img_split.py --base-json \
  tools/data/dota/split/split_configs/ss_test.json
（单独分别使用train.json\test.json\val.json）

总结：修改json文件中路径参数，使用命令时只需修改 - -base_json参数为对应的配置文件即可

3.更改数据集基础路径及训练、验证和测试路径

change data_root in configs/_base_/datasets/dotav1.py to split DOTA dataset.
(如下：)

二、训练模型

以使用模型：rotated_faster_rcnn_r50_fpn_x1_dota_le90.py为例

1.最终命令：

python tools/train.py  configs/redet/redet_re50_refpn_1x_dota_le90.py --work-dir  work_dirs/runs/redet/

- -work-dir：训练得到的模型及配置信息保存的路径

2.修改配置

在模型文件中实现了：训练相关参数的配置，数据集信息的配置，以及网络架构的搭建；

①修改其中的目标类别数为自己数据集的类别数（由于我训练DOTAv1数据集可以不改）

②同时修改/mmrotate/datasets/dota.py 文件中类别名字

③最后，修改训练使用的数据集路径：找到并打开 mmrotate-main/configs/base/datasets/dotav1.py 文件，修改其中的 data_root 路径为自己裁剪的数据集路径，该路径包含了上述划分的train、test、val数据集 （同第1点）

3.如果需要修改模型（如修改Backbone）

关于单GPU和多GPU：ICCV 2023 | LSKNet【保姆级】训练自己的目标检测模型_目标检测iccv-CSDN博客

三、测试模型

以DOTA数据集为例，你可以选择如下三种主要用法：

①离线评估，注意：由于DOTA数据集中的测试集只有images没有annfiles，所以使用--eval map进行离线评估时必须将测试集路径改为val集或者trainval等带有annfiles的。

②生成压缩文件，用于在线提交

        DOTA数据集提供在线评估服务器，参考：DOTA

python ./tools/test.py \
  configs/lsknet/lsk_s_fpn_1x_dota_le90.py \
  work_dirs/runs/LSKNET_s/latest.pth \
  --format-only --eval-options submission_dir=work_dirs/Task1_results

注意：会将分割的图片进行标注然后融合

③可视化（但没有评估指标）

python ./tools/test.py \
  configs/lsknet/lsk_s_fpn_1x_dota_le90.py \
  work_dirs/runs/LSKNET_s/latest.pth \
  --show-dir work_dirs/vis