mmdet 修改类别和数据集

下面的内容以faster_rcnn_r50_fpn_1x_coco.py为例

修改数据集

  1. 由于我用到的数据集格式是voc,但默认的是coco格式,现在配置文件中修改数据集。
    ?

  2. configs/_base_/datasets/voc0712.py文件中,修改数据集路径和voc07或者voc12。我这里只有voc2007的数据集。
    在这里插入图片描述
    在这里插入图片描述

修改类别

  1. config 文件中,修改 num_classes=数据集中的类别数
  2. mmdet/datasets/voc.pymmdet/core/evaluation/class_names中修改对应的类别。

遇到的错误

unexpected key in source state_dict: fc.weight, fc.bias

Segmentation fault (core dumped)

可能是cuda版本的问题,检查了一下服务器的版本是CUDA Version: 11.4,换成CUDA Version: 11.1就可以正常运行了。

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MMDetection3D支持自定义数据集,下面是自定义数据集的步骤: 1. 数据集准备 在准备数据集时,需要将数据集保存为.pkl文件或者.json文件,并且包含点云数据和对应的标注信息。标注信息包括每个物体的类别、中心点坐标、大小以及朝向等。 2. 数据集类的定义 在MMDetection3D中,需要定义一个数据集类,继承自`mmdet3d.datasets.CustomDataset`。在数据集类中,需要实现`load_annotations`方法和`get_data_info`方法,其中`load_annotations`方法用于加载标注信息,`get_data_info`方法用于获取数据集大小。 可以参考`mmdet3d/datasets/kitti_mono.py`中的实现方式,对于自己的数据集进行定义。 3. 配置文件修改 修改MMDetection3D的配置文件,根据自己的数据集进行修改。配置文件包括数据集路径、数据集大小、训练参数等,可以参考`configs/kitti/cbgs_mghead_3x2x_kitti_mono.py`中的实现。 4. 模型训练 使用命令行运行训练脚本,开始训练模型: ``` python tools/train.py ${CONFIG_FILE} [optional arguments] ``` 其中,`${CONFIG_FILE}`是你修改后的配置文件路径。 5. 模型测试 使用命令行运行测试脚本,测试模型的性能: ``` python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} --out ${RESULT_FILE} ``` 其中,`${CHECKPOINT_FILE}`是你训练得到的模型权重文件路径,`${RESULT_FILE}`是测试结果保存的路径。 以上就是自定义数据集的步骤,需要注意的是,自定义数据集的训练和测试需要一定的数据处理和计算资源,对于初学者来说可能会有一定的难度。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值