Openmmlab寒假训练营(五)

Openmmlab寒假训练营(五)

MMDetection配置结构小结

• CoCo数据集格式

1.CoCo数据集是一个庞大的数据集体系，里面包含了各种任务的数据集，其中包括目标检测和实例分割，标注文件CoCo数据集规定是存储在一个文件夹中，数据按照不同任务和训练、测试、验证的关系放在不同文件夹里
2.MMDetection 会按照COCO格式读取数据集，因此可以将自己的数据集按照COCO格式进行组织，再教由MMDetection读取正确的数据和标注信息

3.具体的COCO数据集解析可以参考：
https://blog.csdn.net/sun1221__/article/details/127546605
是否符合COCO的格式可以参考如下网址：
https://zhuanlan.zhihu.com/p/431215846

• 训练配置项继承

以Mask_RCNN和单目标检测微调为例
1.继承模型，重新设置检测框和实例分割的种类

model = dict(
    roi_head=dict(
        # bbox and mask change
        bbox_head=dict(num_classes=1),
        mask_head=dict(num_classes=1)
    )
)

2.数据集重载

dataset_type = 'COCODataset'
classes = ('balloon',)
data = dict(
    # set batch_size and gpu nums
    samples_per_gpu=1,
    workers_per_gpu=2,
    train=dict(
        img_prefix='../balloon_dataset/train/',
        classes=classes,
        ann_file='../balloon_dataset/train/out.json'),
    val=dict(
        img_prefix='../balloon_dataset/val/',
        classes=classes,
        ann_file='../balloon_dataset/val/out.json'),
)

3.优化器设置
由于这里是微调任务，所以学习率可以设置的很低

optimizer = dict(type='SGD', lr=0.001, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)

4.设置epoch次数

runner = dict(type='EpochBasedRunner', max_epochs=1000)

5.设置预训练权重的记载地址

load_from = 'mask_rcnn.pth'

6.其他配置可以参考官方文档