MMdetection训练配置

最新推荐文章于 2023-12-19 16:47:04 发布
最新推荐文章于 2023-12-19 16:47:04 发布
阅读量1.6k 收藏 5
点赞数 2
分类专栏： 计算机视觉 文章标签： 目标检测 深度学习 计算机视觉
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/milk_and_bread/article/details/119756232
版权

mmdetecton 安装

采用mmdetection,安装教程参考： Windows下配置MMDetection

数据集准备

实验为自制VOC数据集，使用tools/dataset_converters/pascal_voc.py转换为COCO格式数据集，结果包括 voc07_train.json、voc07_test.json、voc07_val.json，COCO数据集JSON文件格式字段说明参考：
COCO数据集JSON文件格式

FasterRCNN训练模型配置

进入configs->faster_rcnn->faster_rcnn_r50_fpn_1x_coco.py
分别引用三个文件，分别进入三个文件配置，配置参数
在这里插入图片描述

模型配置文件

进入 …/_base_/models/faster_rcnn_r50_fpn.py

由于本数据集只有一个类别，修改数据集类别个数：num_classes=1
在这里插入图片描述

数据集配置

数据集路径配置

进入 …/_base_/datasets/coco_detection.py
修改数据集根路径 data_root = ‘/media/lwt/Data/InfraredVOC’
在这里插入图片描述
标签位置 ann_file 该文本中也包括图像路径，不过没有根路径只有VOC数据格式主路径的路径，配置根路径 img_prefix
在这里插入图片描述

数据集类别配置

进入 mmdet/datasets/coco.py修改CocoDataset类中类别 CLASSES =(“ship”,)

训练轮次、学习率设置

进入 configs/base/schedules/schedule_1x.py修改 max_epochs=500

日志文件、权重文件设置

进入configs/base/schedules/default_runtime.py ，修改checkpoint_config = dict(interval=20) 20轮保存一次权重文件

运行

python ./tools/train.py ./configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py
milk_and_bread
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【mmdetection】使用自定义的coco格式数据集进行训练及测试
YeeKo的博客
05-27 3万+
目录一、mmdetection简介二、环境安装1、安装教程2、运行demo测试环境是否安装成功三、训练自定义的dataset1、准备dataset2、Training前修改相关文件3、Training4、Testing 一、mmdetection简介 项目仓库地址：https://github.com/open-mmlab/mmdetection 香港中文大学-商汤科技联合实验室开源了基于 PyT...
MMDetection对图片进行目标检测
03-28
MMDetection是一个基于PyTorch的目标检测开源工具箱，用于在图像中识别和定位目标对象。它提供了丰富的预训练模型、灵活的配置选项以及高效的训练和推理速度，使得用户能够方便地对图片进行目标检测。 使用MMDetection对图片进行目标检测主要涉及以下几个步骤： 安装和配置MMDetection：首先，用户需要从GitHub等源获取MMDetection的代码，并按照官方文档或相关教程进行安装和配置。这通常包括安装必要的依赖库、设置环境变量等步骤。 准备数据集：为了训练或测试目标检测模型，用户需要准备一个标注好的数据集。数据集应包含带有目标对象边界框标注的图片，以及对应的标签文件。MMDetection支持多种数据格式，用户可以根据需要选择合适的格式进行准备。 模型选择和配置：MMDetection支持多种主流和最新的目标检测算法，如Faster R-CNN、Mask R-CNN、RetinaNet等。用户可以根据自己的需求选择合适的模型，并通过修改配置文件来设置模型的参数和超参数。 训练和测试模型：使用MMDetection，用户可以轻松地对模型进行训练和测试。训练过程
mmdetectionv1.0.0-选择几张卡训练一个模型，单机多卡开多个训练任务(还有问题)—修改config-batch图像数目，学习率下降等–训练期间测试开启-训练灰度
12-22
训练灰度 如果你想训练灰度图，在这个版本，你应该： mmdetection/mmdet/datasets/pipelines/loading.py @PIPELINES.register_module class LoadImageFromFile(object): def __init__(self, to_float32=False, color_type='color'): self.to_float32 = to_float32 self.color_type = color_type def __call__(self, result
2-20horovod多机多卡训练环境配置+训练流程1
08-08
在horovod下使用多机多卡需要满足以下3个先决条件：不同机器可以访问相同的文件：nfs不同机器使用相同的训练环境: Docker不同机器可以ssh交互：ss
MMDetection3D对三维数据进行检测
最新发布
03-28
MMDetection3D是一个基于PyTorch的三维目标检测开源工具包，它针对三维数据中的目标检测任务提供了高效、灵活的解决方案。MMDetection3D支持多种主流的三维检测算法，并提供了丰富的数据集接口和预训练模型，使得用户能够方便地进行三维目标检测的研究和应用。 使用MMDetection3D对三维数据进行检测主要涉及以下几个步骤： 安装和配置MMDetection3D：首先，用户需要按照官方文档或相关教程进行MMDetection3D的安装和配置。这通常包括安装必要的依赖库、设置环境变量以及下载MMDetection3D的代码库。 准备三维数据集：为了进行三维目标检测，用户需要准备一个标注好的三维数据集。数据集应包含三维点云数据（如从激光雷达或深度相机获取）以及对应的目标标注信息，如目标的类别、三维边界框等。MMDetection3D支持多种三维数据格式，用户可以根据需要选择合适的数据格式进行准备。 模型选择和配置：MMDetection3D提供了多种先进的三维目标检测算法，如PointRCNN、VoteNet等。用户可以根据自己的需求选择合适的模型，并通过修改配置文
【MMEngine】RUNNER.ITERBASEDTRAINLOOP与RUNNER.EPOCHBASEDTRAINLOOP 源码解析——如何设置按照迭代次数和轮数进行网络训练
向上生长的程序媛的博客
12-19 1343
MMEngine做模型训练时RUNNER钩子文件源码详解EpochBasedTrainLoop和IterBasedTrainLoop函数参数及用法。
手把手教你如何配置mmdetection并训练（win10环境）
PolarisFTL
06-14 5319
本文在win10环境下对mmdetection工具箱进行一个详细的配置教程，表中为创建的虚拟环境核心模块版本号。Name版本python3.7torch1.8CUDA11.1cudnn8.2.0mmcv2.0.0一、mmdetection下载下载完成之后使用pychram打开如下图所示：接下来对mmdetection的基本环境进行配置 ，采用Anaconda3新建虚拟环境。
基础讲解——mmDetection的使用(1)及遇到相关问题的解决办法
慕暖Kk的博客
08-25 1182
本文结构mmDetection工具库简单简介使用方法demo使用方法训练使用方法(以Faster_RCNN模型训练、coco2017数据集为例)数据集介绍准备COCO2017数据集：训练语句来源 mmDetection工具库简单简介 商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学开源的一个基于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-RCNN以及其他一
mmdection下载预训练模型
weixin_43976891的博客
08-16 637
1.在使用mmdection训练自己的数据集时经常需要使用预训练模型参数，如果网络好的话可以直接下载，但是如果网络中断再次下载模型参数时程序会报错： unexpected EOF, expected 455433 more bytes. The file might be corrupted. 这时候的解决办法是找到未下载完成的文件然后将其删除 未下载完的文件位置在隐藏文件夹.cache/torch/checkpoints ...
mmdetection训练得到的权重/checkpoints文件分析和修改
jiangqixing0728的博客
11-19 4046
.pt的模型文件解析和理解
mmdetection源码阅读笔记一：网络各组件注册详解
01-20
1. 概述 mmdetection是由商汤开元的目标检测算法集成框架，特点是检测算法多、可扩展性强，可以说是目标检测领域绕不开的源码。阅读mmdetection源码有助于理解各个目标检测算法具体实现及如何集成。 本篇博客的主要内容是mmdetection如何完成一个网络模型的构建。 2. 源码讲解 train.py完成网络训练，包含两个函数，parse_args()和main()，前者从命令行中读取参数，后者一次完成四个工作，①从config文件及命令行参数中读取各种配置参数；②构建网络模型；③构建数据集；④使用数据集训练模型。本篇主要介绍如何构建网络模型，以faster_rcnn_r50_f
YOLOv7学习笔记（一）——概述+环境+训练
HUASHUDEYANJING的博客
11-03 2957
原文链接：https://blog.csdn.net/HUASHUDEYANJING/article/details/126045094。训练和yolov5步骤一样见其他笔记：YOLOV5学习笔记（七）——训练自己数据集。这里主要介绍一下训练参数。
mmdetection的configs中的各项参数具体解释
热门推荐
hajlyx的博客
01-07 5万+
简介 在使用mmdetection对模型进行调优的过程中总会遇到很多参数的问题，不知道参数在代码中是什么作用，会对训练产生怎样的影响，这里我以faster_rcnn_r50_fpn_1x.py和cascade_rcnn_r50_fpn_1x.py为例，简单介绍一下mmdetection中的各项参数含义 faster_rcnn_r50_fpn_1x.py 首先介绍一下这个配置文件所描述的框架，它是基...
【深度学习】准备个人数据集、YOLOV5 模型的训练和测试
m0_62556048的博客
07-04 5433
本文重点在，顺利完成个人数据集的准备，进行YOLOV5的代码下载测试，成功进行 训练个人数据集工作 并 测试识别效果。
mmdetection从配置到训练
qq_52302919的博客
10-31 3467
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-RCNN以及其他一系列目标检测框架。
mmrotate学习（4）:mmrotate框架训练数据集
qq_34885993的博客
11-14 1357
mmrotate框架训练数据集
MMDetect2.0模型下载地址
whunamikey的专栏
07-10 410
MMDetect2.0模型下载地址 MMDetect2.0运行demo的时候,会遇到跑完前向之后,什么结果也没有画出来,原因是模型不匹配 模型可以在如下网址查询 https://open-mmlab.s3.ap-northeast-2.amazonaws.com/ 举个例子 https://open-mmlab.s3.ap-northeast-2.amazonaws.com/加上后面的相对路径即可 mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_caffe_fpn_
玩转MMDetection-MMDetection中的数据集文件、训练计划文件、运行信息文件及具体参数解读（二）
左右-HPU
04-12 1564
首先先介绍以下coco.py文件中的CocoDataset类函数，顾名思义，如果我们采用coco数据集格式，则需要调用coco.py文件，如果采用coco公共数据集则直接调用。若需要训练自己的数据集，则需要将coco.py文件下的CocoDataset类中的CLASSES中，更改为你自己数据集对应的种类，如果只有一类，切记要在一个类后加逗号。以下是coco数据集用作目标检测的数据集文件及参数解读coco_detection.py。coco数据集格式如下图所示。
mmdetection 自定义训练配置
08-29
对于使用mmdetection进行自定义训练的配置，你可以按照以下步骤进行操作： 1. 准备数据集：确保你的数据集符合mmdetection要求的格式。你需要创建一个包含训练图片和对应标注的文件夹，并生成一个对应的JSON文件来描述目标类别、图片路径和标注信息。 2. 配置模型：在mmdetection的配置文件中，你可以选择合适的预训练模型作为基础，并对其进行调整以满足你的需求。配置文件通常位于`configs`文件夹下，你可以根据实际情况选择对应的配置文件。 3. 修改配置文件：打开你选择的配置文件，并根据你的需求进行修改。主要关注以下几个方面： - 数据集配置：设置数据集路径、类别数和类别名称等信息。 - 训练参数配置：设置训练的迭代次数、学习率、学习率衰减策略等。 - 模型结构配置：根据数据集和任务类型，调整模型结构相关的参数，如anchor大小和数量、FPN特征金字塔层数等。 4. 配置训练脚本：在mmdetection中，可以使用`tools/train.py`脚本进行训练。你需要在命令行中指定配置文件和保存模型的路径等信息。 例如，运行以下命令开始训练： ``` python tools/train.py <config_file> --work-dir <output_dir> ``` 其中`<config_file>`是你修改后的配置文件路径，`<output_dir>`是模型保存的路径。 以上是mmdetection进行自定义训练的基本步骤和配置方法。你可以根据具体需求对配置文件进行调整，以获得更好的训练效果。

“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
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