小白MMdetection基础实现指南（一）

MMdetection的安装与初步训练

一、注意事项

1、请注意我现在所用的版本是v1.1.0 (24/2/2020)。如果版本不一致那么可能会造成一定的出入，因为MMdetection更新还是比较快的。

2、在安装后确保所安装包的版本一定得符合github上的要求，以免后面出现不必要的麻烦。

3、确保自己在安装mmdet时候（也就是执行pip install -v -e .时）所用到的gcc版本与你当时安装cuda是的gcc版本是一致的。如果不一致的话，最快会在运行demo时出现错误，具体错误没有记录。

4、在遇到错误时，一定要去GitHub上的issue看看，可能会有解决方案，还可能会出现意想不到的惊喜哟！

5、默认你已经是安装了Anaconda与Pycharm。

6、我用的是MS COCO格式的数据集，ubuntu系统。

二、框架及其目录的构建

conda create -n open-mmlab python=3.7 -y                 #新建名为open-mmlab的Anaconda环境（python3.7）
conda activate open-mmlab										 #激活open-mmlab（每次打开终端后，必须先执行这个命令）

conda install -c pytorch pytorch torchvision -y			#安装pytorch
git clone https://github.com/open-mmlab/mmdetection.git           #下载代码
cd mmdetection                                                                           #打开代码根目录
pip install -r requirements/build.txt												
#安装mmdetection所需要的依赖包（还有一些包需要自己另行安装，用pycharm打开代码即可看到缺少的依赖包）

pip install "git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI"          #安装COCOAPI
pip install -v -e .                                                                                                                     #编译安装mmdet等

mkdir data                                                                                                                           #创建data文件夹
ln -s $COCO_ROOT data                                                      #创建软连接，$COCO_ROOT是你数据集的目录

三、运行demo

运行demo验证mmdetection是否安装成功。如果能成功执行，恭喜！环境这些乱七八糟的东西安装对了（这里我卡了很久）
运行demo命令的格式
python demo/webcam_demo.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--device ${GPU_ID}] [--camera-id ${CAMERA-ID}] [--score-thr ${SCORE_THR}]
例子：
python demo/webcam_demo.py configs/faster_rcnn_r50_fpn_1x.py checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth

注意以前版本用的是demo.py，最新版本改成了webam_demo.py。

格式解释（很重要！！！！）：
1、${CONFIG_FILE}：就在代码目录里面的config，形似faster_rcnn_r50_fpn_1x.py的代码，就是以后训练测试所用到的配置文件，要修改的东西都在里面！（以后会详细讲解里面可以修改的东西）

2、${CHECKPOINT_FILE}：backbone的位置，一般会在代码目录新建一个checkpoints来存放。
backone下载链接: Model zoo.
按需下载！

四、Data文件夹的构建

mmdetection                                                   #data文件夹的结构，直接按图示创建即可
├── mmdet
├── tools
├── configs
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── train2017
│   │   ├── val2017
│   │   ├── test2017

大家可以先下载MS COCO2017数据集，怎么下载网上都有教程。（如何构建自己的数据集并训练后续更新）

五、训练开始

1、单GPU训练

python tools/train.py ${CONFIG_FILE} [optional arguments]
例子：
python tools/train.py configs/faster_rcnn_r50_fpn_1x.py --validate

2、多GPU训练

./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]
例子：
./tools/dist_train.sh configs/faster_rcnn_r50_fpn_1x.py 2 --validate

option arguments:
1、–validate：每一个 epoch最后都会进行验证（强烈建议！）
2、–work_dir ${WORK_DIR}：设定你日志文件、训练得到的参数这些的存放文件夹
3、–resume_from ${CHECKPOINT_FILE}：这个我暂时没有用到，好像是用于训练中断后重新启动的（具体建议度娘）
4、 ${GPU_NUM}：指的是GPU的数量而不是编号！

六、总结

1、大致流程就是这样了，要一步一步来，遇到bug不要烦，静下心来很重要！如果在本篇内容介绍范围内，在某一步骤上遇到bug，可以在评论区里面把问题与报错信息发出来，会的我都会解答或者给建议。如果上面的内容有误的话，也欢迎指正！

2、后面我会更新如何构建和训练自己的数据集，configs文件的修改等等！

3、介绍MMdetection的博客有很多，大家一定要挑比较新的看，真的mmdetection更新很快！很多文件都会有增减的，这里我踩了不少坑的。