mmdetection使用小结

最近使用 mmdetection框架训练算法模型，感觉稳定性不错，而且在加上一些trick之后可以达到SOTA的效果，所以最近在将自己的一些代码迁移到该框架下，顺便在此记录下一些使用小结。

模型训练

首先得准备好一个config.py文件，并将其放入./configs文件夹内。关于config文件的编写，可以参照mmdetection中./configs文件夹内原有的案例。

当然，对于mmdetection中没有的模型，得先在mmdet中写好，并写入__init__.py文件。确认无误后，我们便可以开始训练了。

对于模型的训练，mmdetection提供了单机多GPU训练和多机多卡多线程训练的方式。我个人比较喜欢用后者，毕竟同步BN能在一定程度上提升模型的效果。

nohup ./tools/dist_train.sh ./configs/faster_rcnn_r50_fpn_2x.py 4 > train.out 2>&1 &

上述命令中，4表示gpu调用数，这里没有使用tensorboard可视化，所以用.out输出所有结果了。此外，这里还可以加上--validate语句将模型在验证集中进行测试。

验证模型

模型训练完成后，我们可以用./tools/test.py或者./tools/dist_test.sh对模型进行验证，如下所示：

CUDA_VISIBLE_DEVICES=3 python ./tools/test.py configs/faster_rcnn_r50_fpn.py ./mmdet_fasterrcnn/epoch_20.pth --out results.pkl --eval bbox

./tools/dist_test.sh configs/faster_rcnn_r50_fpn.py ./mmdet_fasterrcnn/epoch_23.pth 4 --out results.pkl --eval bbox

确定模型参数后，可以用./tools/publish_model.py将模型按规则命名：

python tools/publish_model.py ./mmdet_fasterrcnn/epoch_18.pth faster_rcnn_r50_fpn_18e_20200327.pth

注意

在训练模型和调参过程中，需要注意多进程训练完成后，部分进程可能未停止，这里需要kill掉这些进程，然后用top -u [usrname]确认。