MMDetection系列之（迁移学习）

CocO数据集上预训练的检测器可以作为其他数据集的良好预训练模型，如CityScapes和KITTI数据集。本教程为用户提供使用Model Zoo中提供的模型获取其他数据集的更好性能的指导。
在新数据集上微调模型有两个步骤。
Add support for the new dataset following Tutorial 2: Customize Datasets.

Modify the configs as will be discussed in this tutorial

以Cityscapes Dataset的微调过程为例，用户需要修改配置中的五个部分。

继承基础配置

为了减轻编写整个配置的负担并减少bug, MMDetection V2.0支持从多个现有配置中继承配置。要微调一个Mask RCNN模型，新配置需要继承_base_/models/mask_rcnn_r50_fpn.py来构建模型的基本结构。要使用Cityscapes数据集，新的配置也可以简单地继承base_/datasets/cityscapes_instance.py。对于诸如培训计划之类的运行时设置，新配置需要继承_base_/default_runtime.py。这些配置位于configs目录中，用户也可以选择写入全部内容，而不是使用继承。

_base_ = [
    '../_base_/models/mask_rcnn_r50_fpn.py',
    '../_base_/datasets/cityscapes_instance.py', '../_base_/default_runtime.py'
]

_base_ = [
    '../_base_/models/mask_rcnn_swin_fpn.py',
    '../_base_/datasets/coco_instance.py', #做目标检测，修改为coco_detection.py
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]

Modify head

然后，新的配置需要根据新数据集的类别数量修改头部。通过只改变roi_head中的num_classes，除最终预测头外，预训练模型的权值大部分被重用。

model = dict(
    pretrained=None,
    roi_head=dict(
        bbox_head=dict(
            type='Shared2FCBBoxHead',
            in_channels=256,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=8, #修改
            bbox_coder=dict(
                type='DeltaXYWHBBoxCoder',
                target_means=[0., 0., 0., 0.],
                target_stds=[0.1, 0.1, 0.2, 0.2]),
            reg_class_agnostic=False,
            loss_cls=dict(
                type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
            loss_bbox=dict(type='SmoothL1Loss', beta=1.0, loss_weight=1.0)),
        mask_head=dict(
            type='FCNMaskHead',
            num_convs=4,
            in_channels=256,
            conv_out_channels=256,
            num_classes=8,#修改
            loss_mask=dict(
                type='CrossEntropyLoss', use_mask=True, loss_weight=1.0))))

Modify dataset

用户可能还需要准备数据集并编写关于数据集的配置。MMDetection V2.0已经支持VOC, WIDER FACE, COCO和cityscape Dataset。

Modify training schedule

微调超参数与默认的时间表不同。它通常需要更小的学习速度和更少的训练时间

# optimizer
# lr is set for a batch size of 8
optimizer = dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
# learning policy
lr_config = dict(
    policy='step',
    warmup='linear',
    warmup_iters=500,
    warmup_ratio=0.001,
    step=[7])
# the max_epochs and step in lr_config need specifically tuned for the customized dataset
runner = dict(max_epochs=8)
log_config = dict(interval=100)

用pre-trained模型

要使用预训练模型，新配置在load_from中添加了预训练模型的链接。用户可能需要在训练前下载模型权重，以避免训练期间的下载时间。

load_from = 'https://download.openmmlab.com/mmdetection/v2.0/mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco_bbox_mAP-0.408__segm_mAP-0.37_20200504_163245-42aa3d00.pth'  # noqa