【Yolact训练自己的数据从实战到调参】

100%完美运行，期间踩过许多坑，数据集的坑、代码的坑都有。现在做一下总结，也希望后来者能快速上手，避免浪费不必要的时间。

---

写在前面，读者们就不要偷懒了，按照我这边的步骤一步一步操作是肯定能够成功的。鄙人踩过的大多数坑皆是因为耍小聪明。coco数据集的准备我在【Yolact数据集制作-labelme使用与转coco详解】已有详细介绍，按步骤操作即可

【Yolact数据集制作-labelme使用与转coco详解】

---

一、训练自己的数据与预测

1、训练自己的数据train.py

1.1准备权重文件

准备数据集和权重文件，数据集在第一章已经配置好，这里介绍权重文件
进入https://github.com/dbolya/yolact下载权重文件到根目录./weights文件夹下（weights文件夹自己创建）

对应权重文件如下：
For Resnet101, download resnet101_reducedfc.pth from here.
For Resnet50, download resnet50-19c8e357.pth from here.
For Darknet53, download darknet53.pth from here.

1.2 修改默认配置文件config.py

进入data文件夹下找到config.py打开，按自己的需求修改下面的内容

1.2训练数据

#使用默认基础配置yolact_base_config训练，batch_size=8 （报错就改小一点）
python train.py --config=yolact_base_config

---

#使用默认基础配置yolact_base_config训练，指定batch_size=5
accordingly. python train.py --config=yolact_base_config --batch_size=5

---

#使用吗，默认基础配置yolact_base_config训练，指定权重文件
train.py --config=yolact_base_config --resume=weights/yolact_base_10_32100.pth --start_iter=-1

---

#使用帮助查看各参数的作用
python train.py --help

1.3训练结果

• 开始训练后，模型每10000次迭代保存一次模型到weights文件夹；也可以通过Ctrl + c 中断训练并保存模型到weights文件夹
• 训练完成后会在weights文件夹生成权重模型，用于后续的预测。

2、预测eval.py

数据准备好以后后面的其实没太多好说的，直接看下面
–trained_model：选择权重模型
–image/images/video :选择是对单张图像预测还是一些图像或者视频文件
后面的是指定输入文件（夹）和输出文件夹，以 “ ：”分隔

python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --images=path/to/input/folder:path/to/output/folder

二、Yolact模型各代码部分解读

划 ############################################
是我修改的地方

1、data\config.py

1.1训练自己数据必修改的文件

config.py 比较重要的几个部分：
1) COCO_CLASSES ：按labels.txt文件里的标签类型对应填好就行了
2) COCO_LABEL_MAP : 键值对数量与上面标签类型数量对应
3) DATASETS：主要包括 训练数据地址、验证数据地址指定class_name（COCO_CLASSES），指定label_map（COCO_LABEL_MAP）等

• dataset_base = Config({ }）：默认基础设置，如果train.py和eval.py中不指定config的话就使用当前配置

4) YOLACT v1.0 CONFIGS ：自定义数据集必修改的部分，最高级的参数配置部分。

• yolact_base_config = coco_base_config.copy({ }) : config 默认配置，他调用了上一部分的coco_base_config、DATASETS
  
  

2、train.py

2.1 训练时可指定的参数

• –batch_size：大小取决于你的显卡，报错就调小一点
• –num_workers：线程数，一般都是需要设置为 “0”
• –lr：学习率
• –save_folder：训练完后模型保存的路径
• –config：config配置文件选择，none为默认配置
• –save_interval：每10000次迭代保存模型权重
• –validation_epoch：每2个epoch进行一次验证计算
• –dataset：数据集路径

parser.add_argument('--batch_size'