用mask scoring RCNN训练自己的数据集

最新推荐文章于 2024-09-13 10:27:31 发布

Binbin Cai

最新推荐文章于 2024-09-13 10:27:31 发布

阅读量1.8k

点赞数 1

文章标签：深度学习 pytorch

本文链接：https://blog.csdn.net/qq_39172959/article/details/105709077

版权

本文详细记录了使用Mask Scoring RCNN进行深度学习模型训练的过程，包括安装环境、数据准备、训练参数修改以及模型预测等步骤。在训练过程中，作者遇到了学习率设置、数据维度一致性等问题，并提供了解决方案。此外，还强调了标签的一致性对预测的重要性。

摘要由CSDN通过智能技术生成

近期使用mask scoring RCNN了训练自己的数据集，做一个记录，其中主要参考原作者github上的install.md文件以及几篇博客：
https://blog.csdn.net/linolzhang/article/details/97833354

https://blog.csdn.net/XX_123_1_RJ/article/details/102733175

https://www.cnblogs.com/littleLittleTiger/p/12264529.html

这几篇博客都写得挺全的，在此基础上，添加自己训练过程中的遇到的问题以及需要注意的细节。
论文《Mask Scoring R-CNN》链接

一、安装环境

1.基本环境

conda create --name maskrcnn_benchmark
source activate maskrcnn_benchmark
conda install ipython
pip install ninja yacs cython matplotlib
conda install pytorch-nightly torchvision=0.2.1 cudatoolkit=9.0 -c pytorch

2.安装cocoapi

export INSTALL_DIR=$PWD
# install pycocotools
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
python setup.py build_ext install

另外我看的几个博客都安装了apex：混合精度，用于提升GPU上的训练速度。
我操作时查看的原作者github代码的安装文件，他们未安装apex，因此我也未安装。

3.编译模型代码

# install PyTorch Detection
cd $INSTALL_DIR
git clone https://github.com/zjhuang22/maskscoring_rcnn
cd maskscoring_rcnn
python setup.py build develop

二、准备数据

1.使用labelme对数据做标签、生成json文件。
2.将json数据转换为coco格式。
3.数据以及预训练模型的目录结构

├── maskscoring_rcnn
│   ├── datasets
│   │   └── annotations
│   │   │   ├── coco_mydata_train.json
│   │   │   ├── coco_mydata_test.json
│   │   └── coco_mydata_train
│   │   └── coco_mydata_test
│   │
│   ├── ImageNetPretrained
│   │   └── R-101.pkl
│   │   └── R-50.pkl

三、训练

1.修改参数
（1）修改maskscoring_rcnn/configs/e2e_ms_rcnn_R_50_FPN_1x.yaml：

MODEL:
  META_ARCHITECTURE: "GeneralizedRCNN"
  WEIGHT: "catalog://ImageNetPretrained/MSRA/R-50"
  PRETRAINED_MODELS: 'pretrained_models'
DATASETS:
  TRAIN: ("coco_train_xxx",) # 设置训练验证集,名字可以随意起，和其他配置文件对应即可。
  TEST: ("coco_val_xxx",)