1.环境配置
官方链接:https://github.com/open-mmlab/mmdetection/blob/master/INSTALL.md
其中mmcv和pytorch都可以按此链接直接安装即可。NCCL好像是用于多GPU的。
用pip install 包名 安装包以后,包都放在anaconda目录下,因为默认pip也是anaconda的python所对应的。见下图:
之后按官方链接照做即可。
2.数据集
下载COCO数据集:https://blog.csdn.net/qq_41847324/article/details/86224628
下载VOC2007数据集:https://github.com/rbgirshick/py-faster-rcnn#beyond-the-demo-installation-for-training-and-testing-models
下载VOC2012数据集:https://blog.csdn.net/qq_41185868/article/details/79927556
方法:先将以上链接中数据集的链接复制到迅雷,下载速度会很快,之后将下载到本地的压缩包上传到云服务器,在云服务器上解压。这样子速度相对会很快。
这个项目把这三个主要的数据集都涵盖了,以后如果需要用到,可以来mmdetection下来找。
3.运行代码
3.1 Inference with pretrained models
#single-gpu testing
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [–out ${RESULT_FILE}] [–eval ${EVAL_METRICS}] [–show]
如:python tools/test.py configs/faster_rcnn_r50_fpn_1x.py checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth --out results.pkl --eval bbox
测试COCO数据集的5000张图片大致需要12分钟。
具体为啥是这个结果,还需要看代码才能彻底搞懂。
3.2 Train a model
待定
4.理解代码
代码笔记记录在笔记本上。收获:
1.args与cfg之间的关系:通过接收参数对cfg文件进行配置设置。而后,将cfg传入各个脚本文件。
2.建立model、构造数据集、训练模型