mmdetection3.x如何用自己的数据集进行训练

1.前提（已经安装好mmdetection以及相关环境）

(1)验证mmdetection是否安装完毕:

python demo/image_demo.py demo/demo.jpg rtmdet_tiny_8xb32-300e_coco.py --weights rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth --device cpu

(2)运行结果：

2.如何配置训练环境(本文以mmdetection-3.x中convnext-v2作为演示)

(1)阅读config(D:\mmdetection-main\projects\ConvNeXt-V2\configs\mask-rcnn_convnext-v2-b_fpn_lsj-3x-fcmae_coco.py)中的base：maskrcnn-r50（网络模型），coco（数据集），schedule（学习率参数等），default_runtime

打开每个.py文件：

(2)更改部分参数：

注：需要安装mmpretrain

更改1：下载预训练权重:(下载到根目录下，然后更改路径)

        更改前：

checkpoint_file = 'https://download.openmmlab.com/mmclassification/v0/convnext-v2/convnext-v2-base_3rdparty-fcmae_in1k_20230104-8a798eaf.pth'

        更改后：

checkpoint_file = r'D:\mmdetection-main\convnext-v2-base_3rdparty-fcmae_in1k_20230104-8a798eaf.pth' 

更改2： image_size 为自己的图像分辨率，如：

image_size = (512, 512)

更改3：train_dataloader中的batch_size和num_workers的数量（根据电脑的显卡配置和显存容量配置，本文设置为2，2）

train_dataloader = dict(
    batch_size=2,  # total_batch_size 32 = 8 GPUS x 4 images
    num_workers=2,
    dataset=dict(pipeline=train_pipeline))

更改4：打开mask-rcnn_r50_fpn.py文件，将其中的num_classes=X,改为自己数据集中的X个类

第一处： 

第二处：

更改5：打开coco_instance.py文件，重写scale为自己数据集的分辨率

更改6：训练数据换成自己的数据集地址

train_dataloader = dict(
    batch_size=2,
    num_workers=2,
    persistent_workers=True,
    sampler=dict(type='DefaultSampler', shuffle=True),
    batch_sampler=dict(type='AspectRatioBatchSampler'),
    dataset=dict(
        type=dataset_type,
        #data_root=data_root,
        #ann_file='annotations/instances_train2017.json',
        ann_file=r'E:\mmdetection-main\jyzData\coco\annotations\instances_train2017.json',#!!!
        data_prefix=dict(img=r'E:\mmdetection-main\jyzData\coco\images\train2017/'),#!!!
        filter_cfg=dict(filter_empty_gt=True, min_size=32),
        pipeline=train_pipeline,
        backend_args=backend_args))

val_dataloader = dict(
    batch_size=1,
    num_workers=2,
    persistent_workers=True,
    drop_last=False,
    sampler=dict(type='DefaultSampler', shuffle=False),
    dataset=dict(
        type=dataset_type,
        #data_root=data_root,
        ann_file=r'E:\mmdetection-main\jyzData\coco\annotations\instances_val2017.json',#!!!
        data_prefix=dict(img=r'E:\mmdetection-main\jyzData\coco\images\val2017/'),#!!!
        test_mode=True,
        pipeline=test_pipeline,
        backend_args=backend_args))
test_dataloader = val_dataloader

val_evaluator = dict(
    type='CocoMetric',
    #ann_file=data_root + 'annotations/instances_val2017.json',
    ann_file=r'E:\mmdetection-main\jyzData\coco\annotations\instances_val2017.json',#!!!
    metric=['bbox', 'segm'],
    format_only=False,
    backend_args=backend_args)
test_evaluator = val_evaluator

# inference on test dataset and
# format the output results for submission.
test_dataloader = dict(
    batch_size=1,
    num_workers=2,
    persistent_workers=True,
    drop_last=False,
    sampler=dict(type='DefaultSampler', shuffle=False),
    dataset=dict(
        type=dataset_type,
        #data_root=data_root,
        ann_file=r'E:\mmdetection-main\jyzData\coco\annotations\instances_val2017.json',#!!!
        data_prefix=dict(img=r'E:\mmdetection-main\jyzData\coco\images\val2017/'),#!!!
        test_mode=True,
        pipeline=test_pipeline))
test_evaluator = dict(
    type='CocoMetric',
    metric=['bbox', 'segm'],
    format_only=True,
    ann_file=r'E:\mmdetection-main\jyzData\coco\annotations\instances_val2017.json',#!!!
    outfile_prefix='./work_dirs/coco_instance/test')#!!!

 更改7：打开D:\mmdetection-main\mmdet\datasets\coco.py文件，更改类

METAINFO = {
        'classes':
        ('jyz', 'jyzB'),#更改
        # palette is a list of color tuples, which is used for visualization.
        'palette':
        [(220, 20, 60), (119, 11, 32)]
    }

更改8：开始训练

python E:\mmdetection-main\tools\train.py E:\mmdetection-main\projects\ConvNeXt-V2\configs\mask-rcnn_convnext-v2-b_fpn_lsj-3x-fcmae_coco.py

一切完成，开始训练：