PaddleDetection mask_rcnn

数据集层次格式

• 使用tools/x2coco.py

python x2coco.py --dataset_type labelme 
							 --json_input_dir data-seg2447/json-seg 
							 --image_input_dir data-seg2447/jpg-seg 
							 --output_dir data-seg2447/coco 
							 --train_proportion 0.85 
							 --val_proportion 0.1 
							 --test_proportion 0.05

1.配置数据集路径

• configs/datasets/coco_instance.yml 可以复制一份 保存一下原版

metric: COCO
num_classes: 1 #改成自己的类别个数 原：80

TrainDataset:
  name: COCODataSet
  image_dir: train #
  anno_path: annotations/instance_train.json #
  dataset_dir: dataset/coco
  data_fields: ['image', 'gt_bbox', 'gt_class', 'gt_poly', 'is_crowd']

EvalDataset:
  name: COCODataSet
  image_dir: val #
  anno_path: annotations/instance_val.json #
  dataset_dir: dataset/coco

TestDataset:
  name: ImageFolder
  image_dir: test #
  anno_path: annotations/instance_test.json # also support txt (like VOC's label_list.txt) #
  dataset_dir: dataset/coco # if set, anno_path will be 'dataset_dir/anno_path'

2. 训练

# 边训练边测试 CPU需要约1小时(use_gpu=false)，1080Ti GPU需要约10分钟
# -c 参数表示指定使用哪个配置文件
# -o 参数表示指定配置文件中的全局变量（覆盖配置文件中的设置），这里设置使用gpu
# --eval 参数表示边训练边评估，最后会自动保存一个名为model_final.pdparams的模型

python tools/train.py -c configs/mask_rcnn/mask_rcnn_r101_vd_fpn_1x_coco.yml \
		-o use_gpu=true \
		--use_vdl=true \
		--vdl_log_dir=vdl_dir/scalar \
		--eval \
# 通过visualdl命令实时查看变化曲线：
# visualdl --logdir vdl_dir/scalar/ --host <host_IP> --port <port_num>