在Colab平台上用mmdetection中的Cascade RCNN训练自己的voc数据集

最近在学习目标检测，要用Cascde RCNN训练自己的数据集，因为本地电脑没有GPU，所以就借用Colab云端来进行模型训练，想要记录一下操作过程，以及希望可以给更多电脑没有GPU，但是需要用mmdetection做项目的同种情况的人一些参考。

目录

一、Colab平台准备（要先做到科学上网才能使用Colab）

1、上传自己的数据集

 2、配置使用Colab

 二、在Colab上配置mmdetection环境并训练

1、下载mmdetection

2、配置数据集

 3、安装mmdete所需要的依赖包和环境，因为Colab上面已经配置了pytorch和cuda，所以配置过程很简单

4、进行相关参数的修改

5、开始训练数据集

三、总结

---

 

一、Colab平台准备（要先做到科学上网才能使用Colab）

1、上传自己的数据集

数据集的制作过程不做多余赘述，可以在CSDN上找到很多参考资料，本文使用的数据集是voc2007数据集，如果是自己本地制作的数据集，就需要先上传到谷歌云盘。

官网链接:https://drive.google.com/drive/my-drive

点击新建，新建文件夹data存放数据集，然后打开data文件，直接将数据集拖拽就可以完成数据集的上传

 2、配置使用Colab

点击新建，新建Colab项目，命名为Mmdetection-master

 

 

 修改配置，点击代码执行程序，点击更改运行时类型，将加速器更改为GPU，这样就可以白嫖GPU了。

 

 输入代码查看显卡配置

!nvcc -V
!gcc --version
!rm -rf /content/sample_data
#查看分配的显卡配置，建议刷到v100
!nvidia-smi

挂载云盘，连接到自己的谷歌云盘

from google.colab import drive
drive.mount('/content/drive')

 点击刷新就会出现自己的云盘文件夹

 二、在Colab上配置mmdetection环境并训练

这里有官网的文档，大家也可以做一个参考https://mmdetection.readthedocs.io/en/stable/get_started.html

1、下载mmdetection

%cd /content
!rm -rf mmdetection
!git clone https://github.com/open-mmlab/mmdetection.git
#新建一个存放数据集的文件夹
!mkdir mmdetection/data

2、配置数据集

#将云盘里的数据集复制到mmdet项目里面
!cp -r /content/drive/MyDrive/data/VOCdevkit -d /content/mmdetection/data/VOCdevkit
#!cp -r 源地址 -d 目标地址

一定要注意数据集的目录是下图的格式

 3、安装mmdete所需要的依赖包和环境，因为Colab上面已经配置了pytorch和cuda，所以配置过程很简单

先切换到mmdetection项目

#切换当前目录
%cd /content/mmdetection

# 成功配置
!pip install -U openmim
!mim install mmcv-full

!pip install -r requirements/build.txt
!python setup.py develop

要注意两段代码的先后过程，如果反了就会在训练的时候出现以下出现错误，如果出现了，建议卸载mmdet，!pip uninstall mmdet，再重新利用第二段代码进行mmdet安装

# AssertionError: The `num_classes` (4) in Shared2FCBBoxHead of MMDataParallel does not matches the length of `CLASSES` 20) in RepeatDataset

然后用下面代码测试相关环境是否安装成功

import mmdet
print(mmdet.__version__)
 
# Check mmcv installation
from mmcv.ops import get_compiling_cuda_version, get_compiler_version
print(get_compiling_cuda_version())
print(get_compiler_version())

4、进行相关参数的修改

这里参考了相关文章https://blog.csdn.net/weixin_45798949/article/details/107976157

这里选用cascade_rcnn方法，也可以选择fasterrcnn方法，修改类似
1.修改：mmdetection/configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py
_base_ = [
    '../_base_/models/cascade_rcnn_r50_fpn.py',
    '../_base_/datasets/coco_detection.py',
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]
改：
_base_ = [
    '../_base_/models/cascade_rcnn_r50_fpn.py',
    '../_base_/datasets/voc0712.py',
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]
2.修改：mmdetection/configs/_base_/datasets/voc712.py
找到，并注释掉一句voc2012
data = dict(
    samples_per_gpu=2,
    workers_per_gpu=2,
    train=dict(
        type='RepeatDataset',
        times=3,
        dataset=dict(
             type=dataset_type,
             ann_file=[
                 data_root + 'VOC2007/ImageSets/Main/trainval.txt',
                 #data_root + 'VOC2012/ImageSets/Main/trainval.txt'
            ],        # 把含有VOC2012的路径去掉
             img_prefix=[data_root + 'VOC2007/', data_root + 'VOC2012/'],
            pipeline=train_pipeline)),
3.修改：mmdetection/configs/_base_/models/cascade_rcnn_r50_fpn.py
num_classes的值，一共三处，分别修改，不然报错。
根据自己的分类的个数，不需要
考虑背景+1，一类就写1
如果想换预训练模型
model = dict(
    type='CascadeRCNN',
    pretrained='torchvision://resnet50',#可欢resnet101等

4.修改：mmdetection/mmdet/core/evaluation/class_names.py
def voc_classes():
    return [
        'aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat',
        'chair', 'cow', 'diningtable', 'dog', 'horse', 'motorbike', 'person',
        'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor'
    ]#对应换成自己标签。
def voc_classes():
    return ['lf', ]#我是一类，后面加逗号
5.修改：mmdetection/mmdet/datasets/voc.py
class VOCDataset(XMLDataset):

    CLASSES = ('aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car',
               'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse',
               'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train',
               'tvmonitor')
修改同上

修改完成之后重新进行编译

!python setup.py develop

5、开始训练数据集

因为Colab特别容易掉线，所以建议先配置一下Colab网页防止掉线

在任意网页端右键，点击检查，点击Console

 

添加一下代码

function ConnectButton(){
    console.log("Connect pushed"); 
    document.querySelector("#top-toolbar > colab-connect-button").shadowRoot.querySelector("#connect").click() 
}
setInterval(ConnectButton,60000);

然后开始美美训练

!python tools/train.py ./configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py

 训练的结果权重都保存在work_dir目录下面，点击下载就可下载到本地使用了。

还有就是所有相关参数，例如学习率，epoch，backbone都在以下四个文件中，可以进行查找然后修改相关参数

_base_ = [
    '../_base_/models/cascade_rcnn_r50_fpn.py',
    '../_base_/datasets/voc0712.py',
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]

对于已经训练好了的模型权重可以这样进行测试使用

python demo/image_demo.py demo/img.jpg configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py work_dirs/cascade_rcnn_r50_fpn_1x_coco/epoch_48.pth --device cpu --out-file result1.jpg
#python 图片path configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py 权重path --device cpu --out-file 结果path

更方便的是新建一个py文件进行编译

from mmdet.apis import init_detector, inference_detector
import mmcv

# Specify the path to model config and checkpoint file
config_file = 'configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py'
checkpoint_file = 'work_dirs/cascade_rcnn_r50_fpn_1x_coco/epoch_48.pth'

# build the model from a config file and a checkpoint file
model = init_detector(config_file, checkpoint_file, device='cpu')

# test a single image and show the results
img = 'image/0060_Color.jpg'
# img = mmcv.imread(img) # which will only load it once
result = inference_detector(model, img)
# visualize the results in a new window
# 可视化推理检测的结果
model.show_result(img, result)
# or save the visualization results to image files
# 将推理的结果保存
model.show_result(img, result, out_file='result_new.jpg')

# test a video and show the results
# 测试视频片段的推理结果
# video = mmcv.VideoReader('video.mp4')
# for frame in video:
#     result = inference_detector(model, frame)
#     model.show_result(frame, result, wait_time=1)

三、总结

本文主要是为了帮助像我一样的没有GPU来炼丹的cv初学者，如果只是简单的项目的话，希望你不要因为本地没有GPU而烦恼，不得不说Cascade RCNN的精确度确实很顶，小目标检测太绝了。