手把手教你如何在服务器运行mmdetection训练自己的数据集

        本篇文章使用的是mmdetection社区中的RTMDET模型，实验数据集选取了一个自制的矿井检测数据，涉及6种类别，下面的展示仅用一种类别person。

#数据集准备

        由于本身的数据标注结果是xml格式，在这里经过处理换成了是实验所需的CoCo2017格式，结构如下所示：

mmdetection/data(在根目录下新建一个data文件夹存放数据集):

        XXX（数据集名字）：

                annotations:

                        instances_val2017.json

                        instances_train2017.json

                train2017（训练集）：存放训练图片

                val2017（验证集）：存放验证图片

注意：其中test用的实际上是val的数据所以不需要创建test文件夹。

#代码改动

1、首先运行以下命令安装python包

python setup.py install

 运行结果如下图：

2、在configs目录下找到自己需要的配置文件，我用的是RTMDET的m模型

        为了防止破坏原有的配置，建议复制一份再同一目录下面重名为my_XXX，在新的配置文件中进行修改相关参数。以我的配置文件为例：

_base_ = [
    '../_base_/default_runtime.py', '../_base_/schedules/schedule_1x.py',
    '../_base_/datasets/coco_detection.py', './rtmdet_tta.py'
]
model = dict(
    type='RTMDet',
    data_preprocessor=dict(
        type='DetDataPreprocessor',
        mean=[103.53, 116.28, 123.675],
        std=[57.375, 57.12, 58.395],
        bgr_to_rgb=False,
        batch_augments=None),
    backbone=dict(

        看到上面有几个相关文件，我们需要改动的是../_base_/datasets/coco_detection.py文件，更改其中的数据集路径。如下（我的数据集名是mk）：

# dataset settings
dataset_type = 'CocoDataset'
data_root = 'data/mk/'

# Example to use different file client
# Method 1: simply set the data root and let the file I/O module
# automatically infer from prefix (not support LMDB and Memcache yet)

# data_root = 's3://openmmlab/datasets/detection/coco/'

 3、修改配置文件中的内容

num_classes：类别数量

bbox_head=dict(
        type='RTMDetSepBNHead',
        num_classes=1,
        in_channels=256,
        stacked_convs=2,
        feat_channels=256,
        anchor_generator=dict(
            type='MlvlPointGenerator', offset=0, strides=[8, 16, 32]),
        bbox_coder=dict(type='DistancePointBBoxCoder'),
        loss_cls=dict(
            type='QualityFocalLoss',
            use_sigmoid=True,
            beta=2.0,
            loss_weight=1.0),
        loss_bbox=dict(type='GIoULoss', loss_weight=2.0),
        with_objectness=False,
        exp_on_reg=True,
        share_conv=True,
        pred_kernel_size=1,
        norm_cfg=dict(type='SyncBN'),
        act_cfg=dict(type='SiLU', inplace=True)),

max_epochs：训练轮数

max_epochs = 200
stage2_num_epochs = 20
base_lr = 0.004
interval = 10

 batch_size:看设备决定，显存小就降低

train_dataloader = dict(
    batch_size=16,
    num_workers=4,
    batch_sampler=None,
    pin_memory=True,
    dataset=dict(pipeline=train_pipeline))
val_dataloader = dict(
    batch_size=5, num_workers=4, dataset=dict(pipeline=test_pipeline))
test_dataloader = val_dataloader

 4、修改tools/train.py文件：

其中一个是配置文件路径，也就是上面自己命名那个配置文件的路径。

另一个是存放训练过程中log日志和最佳权重的部分，可以自定义路径。

#开始训练

输入命令python tools/train.py运行训练文件，结果如下：

 #查看训练loss曲线图

运行以下命令：

python tools/analyze_logs.py plot_curve work_dirs/faster_rcnn_r50_fpn_1x/20200306_175509.log.json --keys loss_cls --legend loss_cls --out loss.pdf

其中，

tools/analyze_logs.py：根据日志文件显示图像的文件路径；

work_dirs/faster_rcnn_r50_fpn_1x/20200306_175509.log.json：步骤4中自定义的日志文件夹中生成的json格式的日志文件；

loss_cls：要显示的纵坐标数据；

loss.pdf：生成出来图像的存放位置。

结果如图：