《平成的超级偶像金牌舔狗》之mmdetection,paddle detection安装,demo跑通,训练跑通,保姆级教学

在开始本次教程之前，首先要确定你已经安装了anaconda，pycharm，以及git等必要的软件，或者已经完成了深度学习基本开发环境的搭建，如果还没有搭建好自己的深度学习环境的，这里请先移步我的第一篇博客。

(2条消息) 《关于我被车创④，转生到异世界以后什么都不会，于是从零开始搞深度学习这回事》之 yolov7保姆级教学_深度学习鲨我的博客-CSDN博客

基本的环境搭建完毕以后，就开始本次的教学，首先，我们要开始搭建关于paddledetection的环境，对于paddle paddle的版本选择，以及一些其他的相关的依赖包的安装与下载，请参考我的上一篇博客。

(2条消息) 《人均码农的世界对连c都不会写的辣鸡很不友好》之paddle系列 PP-humanseg保姆级入门教学（之后会更新paddle系列其他的教学）_深度学习鲨我的博客-CSDN博客

paddledetection也是百度的产品，所以环境是通用的，如果是看过我上一个博客的同学，这里可以不用换环境，就用之前做humanseg的环境，也可以做paddledetection。

首先，先把paddledetection克隆下来，这里建议大家重新新建一个文件夹，然后在文件夹里打开，这样免得找不到你的项目在哪里，克隆的代码我放在下面。

git clone https://github.com/PaddlePaddle/PaddleDetection.git

如果网络实在不行的同学，也可以试试在码云上面下载，这里同样附上代码。

git clone https://gitee.com/paddlepaddle/PaddleDetection.git

下载完毕以后，用pycharm打开，大家会看到如下界面。

下载下来以后，首先需要安装相关的依赖包。这里就不一一解释了，总之，下面的代码一条一条执行，如果有问题的话，就多执行即便即可。

cd C:\Users\20105\Desktop\paddle\PaddleDetection #这一步主要是打开你的paddle detection的地址，我的地址是这个，把这个换成你自己的

pip install -r requirements.txt


python setup.py install

 执行完毕，如果没有报错的话，再执行下面的代码，如果结果输出“OK”，则说明你的环境搭建完毕。

python ppdet/modeling/tests/test_architectures.py

需要注意的是，paddledetection里面的大部分模型都是需要多卡训练的，且模型巨大，如果你的环境搭建没什么问题，但是跑训练就是跑不出来的话，别怀疑，就是你的显存爆了。

上述如果都没什么问题的话，输入下面的代码，试着预测一张测试图片看看。

python tools/infer.py -c configs/ppyolo/ppyolo_r50vd_dcn_1x_coco.yml -o use_gpu=true weights=https://paddledet.bj.bcebos.com/models/ppyolo_r50vd_dcn_1x_coco.pdparams --infer_img=demo/000000014439.jpg

 如果上面的指令运行没问题的话，在output里面会看到这张图片，demo跑通。

接下来是训练环节，这里比较麻烦的是，如果大家看的是我第一个教程学习打标签的话，大概率用的是labelimg，打出来的是txt文件，不能适用于其他模型，所以如果想要在其他模型上训练的话，需要自己再打一个coco的数据集。

下载一个新的打标签的包，labelme。

pip install labelme

然后直接输入labelme即可打开。界面如下。

 打开文档的流程大同小异，不同在于打标签的方式，这里选择create polygons，然后就正常打标签即可，这里我做的是口罩检测模型，所以我打了口罩的标签。

这里打出来的标签文件应该是JSON格式，不需要之前那样刻意的去分训练集，测试集，所有的标签文件放一起，所有的图片文件放一起。具体格式如下。

 

 JEPGimages里面放图片，annotations里面放标签文件。具体如何区分训练集和数据集，代码我放在下面。

# coding: utf-8
import os
import random

trainval_percent = 1  # 训练集验证集总占比
train_percent = 0.95  # 训练集在trainval_percent里的train占比
xmlfilepath = 'C:/Users/20105/Desktop/paddle/PaddleDetection/data/VOCdevkit/Annotations'#这里放你标签文件的地址
txtsavepath = 'C:/Users/20105/Desktop/paddle/PaddleDetection/data/ImageSets/Main'#这里放你标签文件生成以后的保存地址
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('C:/Users/20105/Desktop/paddle/PaddleDetection/data/ImageSets/Main/trainval.txt', 'w')
ftest = open('C:/Users/20105/Desktop/paddle/PaddleDetection/data/ImageSets/Main/test.txt', 'w')
ftrain = open('C:/Users/20105/Desktop/paddle/PaddleDetection/data/ImageSets/Main/train.txt', 'w')
fval = open('C:/Users/20105/Desktop/paddle/PaddleDetection/data/ImageSets/Main/val.txt', 'w')
#以上四个都是你生成标签文件以后存放的地址以及名字，大家按照我的改成自己的地址即可。

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

这样自己的数据集就制作完成了。我们可以试一下较为简单的训练。打开C:\Users\20105\Desktop\paddle\PaddleDetection\configs\yolov3\yolov3_mobilenet_v1_roadsign.yml文件，该文件如下。

_BASE_: [
  '../datasets/roadsign_voc.yml',
  '../runtime.yml',
  '_base_/optimizer_40e.yml',
  '_base_/yolov3_mobilenet_v1.yml',
  '_base_/yolov3_reader.yml',
]
pretrain_weights: https://paddledet.bj.bcebos.com/models/yolov3_mobilenet_v1_270e_coco.pdparams
weights: output/yolov3_mobilenet_v1_roadsign/model_final

YOLOv3Loss:
  ignore_thresh: 0.7
  label_smooth: true

其中，base是运行该文件所需要的依赖文件，大家都可以在对应的地方找到，大家可以不必了解具体是什么，只需要将第一个依赖，即../datasets/roadsign_voc.yml'改为datasets\coco_detection.yml即可，这里最好改为绝对寻址。然后打开coco_detection.yml文件，如下。

 这里num_class指的是你的标签种类，需要注意的是，这里的标签数要比你实际的标签数要多一个。比如我只有mask,face俩个标签，但是我的标签数是3，下面的都是你的数据集的位置，大家按照我的格式改成自己的即可。比如，第一个，从上到下分别是你照片所在文件夹的地址，你训练集生成的标签文件地址，和你所有东西的根文件夹地址。下面的都大差不差。

如果上面的东西都调完了，直接运行该文件即可。

代码如下。

python tools\train.py -c 
C:\Users\20105\Desktop\paddle\PaddleDetection\configs\yolov3\yolov3_mobilenet_v1_roadsign.yml#这是我该文件的绝对寻址地址，这里换成自己的。

 如果在terminal里看见上面的输出，则说明开始训练了，然后等他训练完毕即可。到此，paddledetection的教学就结束了。

mmdetection的安装与paddledetection的安装大同小异，毕竟都是企业开发的。这里我就直接放代码了，大家一条一条执行即可。首先还是新建一个文件夹，然后用pycharm打开。环境如果没换的话，就用上面那个环境即可，免得重新装pytorch了。

pip install openmim
mim install mmcv-full
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .

上面每一条代码执行都会运行一段时间，还很有肯能报错，因为网络超时的问题，大家耐心安装，如果报错了，就多执行几遍。如果大家运行完毕，最后会告诉你，成功安装mmdet，如下。

 得到上述结果以后，大家先到下面这个链接里下载权重文件，然后在根目录下新建一个checkpoints文件夹，放进去。

http://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth

然后再新建一个python的脚本，注意，名字最好是乱打的，别带空格和中文，免得和其他文件重名。代码如下。

from mmdet.apis import init_detector, inference_detector

config_file = 'configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
# 从 model zoo 下载 checkpoint 并放在 `checkpoints/` 文件下
# 网址为: http://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = 'cuda:0'
img='D:/mmlab/mmdetection/projecttest.jpg'#这里放你要检测的照片的地址，改成自己的
# 初始化检测器
model = init_detector(config_file, checkpoint_file, device=device)
# 推理演示图像
result=inference_detector(model, img)
model.show_result(img, result, out_file='result2.jpg')

运行后大概是这样，因为大家所用的照片不同，所以结果也不尽相同，但是大概是这么个意思。

mmdetection的训练和paddle detection的训练差不多，如果大家已经完成了对于paddle detection的训练，那么大家一定已经有了自己的coco数据集了，这里我们的mmdetection的训练还是要使用之前制作好的coco数据集，我会以一个yolov3的训练作为本次的教程。首先，大家打开mmdetection/configs/yolo/yolov3_d53_mstrain-608_273e_coco.py，如下图。

这里我就直接告诉大家需要修改的代码行，大家一一对照即可。

17    num_classes=2  这个是你的数据标签的种类，改为自己的即可
60    data_root = 'C:/Users/20105/Desktop/mmlab/mmdetection/datacoco/'   这个是你的数据集的根目录，大家按照我的格式修改为自己的即可
102-114     ann_file=data_root + 'annotations/voc_train.json',
        img_prefix=data_root + 'JEPGImages/',
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/voc_val.json',
        img_prefix=data_root + 'JEPGImages/',
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/voc_val.json',
        img_prefix=data_root + 'JEPGImages/',
        pipeline=test_pipeline))

这几行都是在修改你的数据集的地址，包括标签地址，图片地址等，大家按照我的格式改为自己的地址即可

 这里我只做了coco的数据集的教程，所以后面我也只会修改coco 的数据集，如果大家有做voc的，都大差不差，可以参考一下。

还有两个大家需要修改的脚本文件，分别是

mmdetection/mmdet/core/evaluation/class_names.py和mmdetection/mmdet/datasets/coco.py

这里其实需要修改的地方是一样的，截图如下。

 

 分别修改coco数据集的标签名称和返回值，改为自己的，这里需要注意的是，要按照自己的标签顺序来，不能乱写，如何查看自己的标签顺序呢，打开你的标签文件json查看即可，如下图。

 这里可以看到，我的第一个标签是mask，第二个是face，且我只有这两个，所以我在上面修改coco的标签时先写mask，再写的face，如果这里大家都已经修改完毕，那么执行下面的指令，即可开始训练了。

python tools\train.py
C:\Users\20105\Desktop\mmlab\mmdetection\configs\yolo\yolov3_d53_320_273e_coco.py

 

这里需要注意的是，在mmdetection/configs/yolo/yolov3_d53_mstrain-608_273e_coco.py这个脚本的126行这里，有他的训练的轮数，这个模型因为精度不是很高，所以每训练一次，都会保存，如果大家内存不够的话，分分钟爆炸，所以我建议大家，要么修改保存间隔，要么就一边训练一边删，只保留最后的结果即可。

126   runner = dict(type='EpochBasedRunner', max_epochs=273)