MMdetection

主要实现如下的功能：

• 使用现有的模型对给定的图像进行推理
• 在标准数据集上测试已有的模型
• 在标准数据集上训练预定义的模型

使用现有的模型对给定的图像进行推理

configs文件夹集成各种算法，模型在config文件中定义，设置所有东西：backbone，深度，训练策略，选取的优化器，数据处理参数…….
而模型的参数存在于checkpoint文件中。
config文件命名规则：

{model}_[model setting]_{backbone}_{neck}_[norm setting]_[misc]_[gpu x batch_per_gpu]_{schedule}_{dataset}

demo文件夹
Image Demo:有三个必要的参数，依次为测试图像的路径， config文件的路径， checkpoint文件的路径。还可以指定cpu还是gpu运行， 默认值为gpu， 保留bbox的分数阈值，默认为0.3

python demo/image_demo.py \
    ${IMAGE_FILE} \
    ${CONFIG_FILE} \
    ${CHECKPOINT_FILE} \
    [--device ${GPU_ID}] \
    [--score-thr ${SCORE_THR}]

例如

python demo/image_demo.py demo/demo.jpg \
    configs/faster_rcnn_r50_fpn_1x_coco.py \
    checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
    --device cpu

webcam demo(测试摄像头)：基本的参数同上，必须指定的参数为config文件的路径，checkpoint文件的路径，其他的gpu或者cpu设备， 摄像头id号， 得分阈值可以选择指定。

python demo/webcam_demo.py \
    ${CONFIG_FILE} \
    ${CHECKPOINT_FILE} \
    [--device ${GPU_ID}] \
    [--camera-id ${CAMERA-ID}] \
    [--score-thr ${SCORE_THR}]

例如

python demo/webcam_demo.py \
    configs/faster_rcnn_r50_fpn_1x_coco.py \
    checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth

tools/misc/print_config.py configs/.py 查看完整参数
tools/misc/print_config.py configs/.py >*.tixt 保存
python ./tools/train.py 直接train

在标准数据集上测试已经存在的模型

mmdetection支持coco，voc，cityscapes等一些其他的标准数据集，在目标检测中最常用的数据集格式就是coco数据集，可以将自己的数据集转换为这种标准格式，进行后续的训练验证测试。
测试现有的模型
mmdetection提供了测试现有模型的测试脚本：

• 单GPU
• 多GPU的单节点
• 多节点

对于不同的环境选择合适的测试脚本：

# single-gpu testing
python tools/test.py \
    ${CONFIG_FILE} \
    ${CHECKPOINT_FILE} \
    [--out ${RESULT_FILE}] \
    [--eval ${EVAL_METRICS}] \
    [--show]

# multi-gpu testing
bash tools/dist_test.sh \
    ${CONFIG_FILE} \
    ${CHECKPOINT_FILE} \
    ${GPU_NUM} \
    [--out ${RESULT_FILE}] \
    [--eval ${EVAL_METRICS}]

tools/dist_test.sh支持多节点的测试
其中除了必要的cofig文件与checkpoint文件，还有其他可选择的参数：

例如：

• 测试faster rcnn并可视化结果，按任意建来查看下一张图像 python tools/test.py \configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py
  checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
  –show
• 测试Faster R-CNN，并保存绘制的图像以供将来可视化。 python tools/test.py
  configs/faster_rcnn/faster_rcnn_r50_fpn_1x.py
  checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
  –show-dir faster_rcnn_r50_fpn_1x_results
• 在PASCAL VOC上测试Faster R-CNN（不保存测试结果）并评估mAP。、 python tools/test.py
  configs/pascal_voc/faster_rcnn_r50_fpn_1x_voc.py
  checkpoints/faster_rcnn_r50_fpn_1x_voc0712_20200624-c9895d40.pth
  –eval mAP
• 使用8个GPU测试Mask R-CNN，并评估bbox和mask AP。 ./tools/dist_test.sh
  configs/mask_rcnn_r50_fpn_1x_coco.py
  checkpoints/mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth \ 8
  –out results.pkl \ --eval bbox segm
• 使用8个GPU测试Mask R-CNN，并评估分类bbox和mask AP。 ./tools/dist_test.sh
  configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py
  checkpoints/mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth \ 8
  –out results.pkl \ --eval bbox segm \ --options “classwise=True”
• 在具有8个GPU的COCO test-dev上测试Mask R-CNN，并生成JSON文件以提交给官方评估服务器。
  ./tools/dist_test.sh \ configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py
  \ checkpoints/mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth \ 8
  -format-only \ --options “jsonfile_prefix=./mask_rcnn_test-dev_results”
  此命令生成两个JSON文件mask_rcnn_test-dev_results.bbox.json和mask_rcnn_test-dev_results.segm.json。
• 在Cityscapes上使用8个GPU测试 Mask R-CNN，并生成txt和png文件提交给官方评估服务器。
  ./tools/dist_test.sh
  configs/cityscapes/mask_rcnn_r50_fpn_1x_cityscapes.py
  checkpoints/mask_rcnn_r50_fpn_1x_cityscapes_20200227-afe51d5a.pth \ 8
  \ --format-only \ --options
  “txtfile_prefix=./mask_rcnn_cityscapes_test_results”
  生成的png和txt将在./mask_rcnn_cityscapes_test_results目录下。