OpenMMLab 实战营打卡 - 第 五 课 MMDetection

已于 2023-02-10 16:17:09 修改
阅读量542 收藏 2
点赞数 3
分类专栏： OpenMMLab AI实战营 文章标签： 目标检测 人工智能 计算机视觉
于 2023-02-08 16:32:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_53589322/article/details/128921229
版权

（五）MMDetection 代码教学

AI实战营第五课！最热门的目标检测工具箱 MMDetection 来啦！本节课为如何使用 MMDetection 训练自己的模型！链接5 MMDetection 代码教学_哔哩哔哩_bilibili

目录

一、目标检测工具包MMDetection

1.支持的模型和数据集

 2.广泛应用

 3.MMDetection可以做什么

4.MMDetection环境搭建

二、MMDetection 项目

1.重要概念——配置文件

2.代码库结构

 3.配置文件的运作方式

 4.两段检测器的构成

5.单段检测器的构成

6.常用训练策略

7.训练自己的检测模型

三、COCO数据集

1.数据集介绍

2.数据集格式

3.数据集标注格式

BBOX 标注格式

 标注、类别、图像 id 的对应关系

4.在MMDetection中配置COCO数据集

四、MMDetection 中的自定义

1.数据集格式

2.数据集

3.数据处理流水线

五、MMDetection3D的安装和依赖

1.依赖

 2.安装

一、目标检测工具包MMDetection

  MMDetection就是用于做目标检测的一个工具包，面向深度学习时代，首发在2018年，后续经过不断迭代出来1.0版本和2.0版本。

1.支持的模型和数据集

  支持点云、视觉、多模态检测算法。

  支持室内、室外场景的数据集。

  60多篇论文复现，400多个预训练模型，可直接使用。

 2.广泛应用

 3.MMDetection可以做什么

  MMDetection提供400余个性能优良的预训练模型，开箱即用，几行Python API即可调用强大的检测能力。
  MMDetection涵盖60余个目标检测算法，并提供方便易用的工具，经过简单的配置文件改写和调参就可以训练自己的目标检测模型。

4.MMDetection环境搭建

  可以使用 MIM 配置 MMCV 和 MMDetection。

二、MMDetection 项目

1.重要概念——配置文件

➢ 深度学习模型的训练涉及几个方面：

− 模型结构 模型有几层、每层多少通道数等等

− 数据集 用什么数据训练模型：数据集划分、数据文件路径、数据增强策略等等

− 训练策略 梯度下降算法、学习率参数、batch_size、训练总轮次、学习率变化策略等等

− 运行时 GPU、分布式环境配置等等

− 一些辅助功能 如打印日志、定时保存checkpoint等等

➢ 在 OpenMMLab 项目中，所有这些项目都涵盖在一个配置文件中，一个配置文件定义了一个完整的训练过程

− model 字段定义模型

− data 字段定义数据

− optimizer、lr_config 等字段定义训练策略

− load_from 字段定义与训练模型的参数文件

2.代码库结构

open-mmlab/mmdetection: OpenMMLab Detection Toolbox and Benchmark (github.com)

 3.配置文件的运作方式

 4.两段检测器的构成

5.单段检测器的构成

6.常用训练策略

  通常使用SGD算法配合不同的学习率策略，所有策略均包含一个学习率升温过程。

optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
# learning policy
lr_config = dict(
policy='step',
warmup='linear',
warmup_iters=500,
warmup_ratio=0.001,
step=[8, 11])
runner = dict(type='EpochBasedRunner', max_epochs=12)

7.训练自己的检测模型

  通常基于微调训练：

• 使用基于COCO预训练的检测模型作为梯度下降的“起点”

• 使用自己的数据进行“微调训练”，通常需要降低学习率

  具体到 MMDetection，需要：

• 选择一个基础模型，下载对应的配置文件和预训练模型的参数文件

• 将数据整理成MMDetection的支持的格式，如COCO格式或者自定义格式

• 修改配置文件：

三、COCO数据集

1.数据集介绍

  微软于2014年提出，最常用的是2017年版本。https://cocodataset.org/

• 全集 33W 张图像

• 针对多种任务进行了标注

• 80类、150W 物体标注用于目标检测与实例分割

2.数据集格式

  完整的 COCO 数据集包含一系列单独存放的图片，和若干“标注文件”（annotation files），每个标注文件定义了一个数据子集，包含对应的图片路径，以及图片上的所有标注信息。

3.数据集标注格式

BBOX 标注格式

 标注、类别、图像 id 的对应关系

4.在MMDetection中配置COCO数据集

 

四、MMDetection 中的自定义

1.数据集格式

  一个列表包含所有图像， 每个图像包含所有物体标注。 
[ 
    {
    'filename': 'a.jpg',
    'width': 1280,
    'height': 720, 'ann': {
    'bboxes': <np.ndarray> (n, 4),
    'labels': <np.ndarray> (n, ), 'bboxes_ignore': <np.ndarray> (k, 4), (optional field)
    'labels_ignore': <np.ndarray> (k, ) (optional field),
    'masks': [poly] }
    },
...
]

2.数据集

dataset_type = 'CustomDataset'  
data_root = 'dataset_path/'     #自定义数据集的根目录
classes=('clsname1','clasname2',...)     #自定义数据集的类别名

#配置 batch_size
#配置 Dataloader 进程数
data = dict(
    samples_per_gpu=2,
    workers_per_gpu=2,
#针对训练、验证、测试子集，分别配置：
# 数据类型 = 自定义数据集
# 标注文件的路径（自定义格式中包含ndarray，需要用pkl格式）
# 图像目录的路径
# 数据处理流水线
    train=dict(
        type=dataset_type,
        ann_file='train/custom_anno.pkl',
        img_prefix='train',
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file='val/custom_anno.pkl',
        img_prefix='val',
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file='val/custom_anno.pkl',
        img_prefix='val',
        pipeline=test_pipeline))

3.数据处理流水线

 

五、MMDetection3D的安装和依赖​​​​​​​

1.依赖

  MMDetection3D总共有四个依赖，分别是基础库MMCV、用于检测与分割的MMDet和MMSeg，如果你使用的是1.1版本 MMDetection3D，它还依赖于MMEngine这个基础库。

 2.安装

  安装可参考OpenMMLab 实战营打卡 - 第 三 课 MMClassification

苦瓜汤补钙
关注
  • 3
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
mmdetection3d:OpenMMLab的下一代通用3D对象检测平台
03-17
新闻：我们发布了代码库v0.11.0。 在最近的 2020第五届AI驾驶奥运会的赛中，我们获得了最佳PKL奖和多模式进入第二名，并且获得了仅有的视觉效果。 代码和模型即将发布！ 文档： : 介绍 English | master分支可与PyTorch 1.3+一起使用。 MMDetection3D是一个基于PyTorch的开源对象检测工具箱，面向用于通用3D检测的下一代平台。 它是MMLab开发的OpenMMLab项目的。 主要特点 开箱即用地支持多模态/单模态检测器 它直接支持多模态/单模态检测器，包括MVXNet，VoteNet，PointPillars等。 支持开箱即用的室内/室外3D检测 它直接支持流行的室内和室外3D检测数据集，包括ScanNet，SUNRGB-D，Waymo，nuScenes，Lyft和KITTI。 对于nuScenes数据集，我们还支持。 与2D
2020华为云实战营第三章课程五分钟快速打卡作业打卡.zip
06-28
在本资源中，“2020华为云实战营第三章课程五分钟快速打卡作业打卡.zip”是一个包含华为云实战训练课程相关材料的压缩包文件。这个实战营是针对人工智能（AI）领域的，具体聚焦于第三章的内容。从描述来看，这份作业...
【目标检测】open-mmlab/mmdetection环境搭建与代码运行测试
专注于计算机视觉、目标检测、目标跟踪、分割、分类等方向
08-28 807
目录一、前言build an image with PyTorch 1.5, CUDA 10.1install latest pytorch prebuilt with the default prebuilt CUDA version (usually the latest)install the latest mmcvinstall mmdetection二、安装Anaconda1、查看系统2、下载Anaconda3、安装Xftp4、安装Anaconda5、添加清华镜像三、离线安装Pytorch1、下载
OpenMMlab--MMDetection目标检测
qq_37563114的博客
02-07 298
目标检测算法是近年的热门研究方向，特别是YOLO的兴起，掀起了江湖的腥风血雨。从R-CNN到YOLO，Swin Transformer，CenterNet，各种奇思妙想的构思，不断推动了发展。
OpenMMLab实训营（五）MMDetection
airwolf0992的博客
02-10 227
整个MMLab家族除了MMDetection，还包含针对目标跟踪任务的MMTracking，针对3D目标检测任务的MMDetection3D等开源项目，他们都是以Pytorch和MMCV以基础。Pytorch不需要过多介绍，MMCV是一个面向计算机视觉的基础库，最主要作用是提供了基于Pytorch的通用训练框架，比如我们常提到的Registry、Runner、Hook等功能都是在MMCV中支持的。另外，MMCV还提供了通用IO接口、多种CNN网络结构、高质量实现的常见CUDA算子，这里就不进一步展开了。
【OpenMMLab 实战营打卡-第5课】MMDetection代码教学
ALittleBoy的博客
02-08 299
基于自定义数据集 balloon 训练实例分割模型，基于训练的模型在样例视频上完成color splash的效果制作，即使用模型对图像进行逐帧实例分割，并将气球以外的图像转换为灰度图像。
2020华为云实战营第三章课程五分钟快速打卡课程打卡.zip
06-28
"2020华为云实战营第三章课程五分钟快速打卡课程打卡.zip" 这个标题提到了几个关键信息点。首先，它指的是2020年的一个活动，即“华为云实战营”，这是一个由华为云主办的在线技术训练营，旨在帮助学员提升在AI...
实战演练--打卡电子流应用开发.chm
11-01
华为云SaaS低代码打卡电子流应用开发文档
《昇思25天学习打卡营第1天 - 快速入门 mindspore》
最新发布
06-27
昇思25天学习打卡营 - 02 快速入门
昇思25天打卡营-mindspore-ML- Day9
06-27
FCN图像语义分割，mindspore平台
OpenMMLab通用视觉框架（mmdetection）安装使用详解
xiao_yan_的博客
08-10 2915
mmcv安装 首先要安装pytorch和CUDA，如果已经安装，进行第二步 pytotch：官网（安装GPU版本） CUDA：官网 安装完成后记住你安装的版本，建议使用conda安装 安装mmcv mmcv：GitHub链接 支持的CUDA和torch的版本 安装：pip install mmcv-full=={mmcv_version} -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.9.0/index.html cu111:为你已经安
OpenMMLab-AI实战营第二期——4-1.目标检测与MMDetection
Castlehe的博客
06-10 1711
定位+分类DPM：Deformable Part Model，可形变组件模型，于2008年提出，并发表了一系列的cvpr，NIPS。并且还拿下了2010年，PASCAL VOC的“终身成就奖”DPM用到了HOG的东西，是用传统算法做的。详见：CSDN博客-DPM（Deformable Part Model）原理详解博客园博客-关于DPM(Deformable Part Model)算法中模型可视化的解释，算法提出者使用的是matlab写得源码。
《MMDetection介绍》听课笔记
m0_60082435的博客
02-09 155
➢ MMDetection 涵盖 60 余个目标检测算法，并提供方便易用的 工具，经过简单的配置文件改写和调参就可以训练自己的目标检 测模型。➢ MMDetection 提供 400 余个性能优良的预训练模型，开箱即 用，几行 Python API 即可调用强大的检测能力。− 训练策略 梯度下降算法、学习率参数、batch_size、训练总轮次、学习率变化策略等等。− 数据集 用什么数据训练模型：数据集划分、数据文件路径、数据增强策略等等。− load_from 字段定义与训练模型的参数文件。
【MMDetection 详解】
无敌三脚猫的专栏
08-09 2359
MMDetection 详解
mmdetection安装测试
qq_45584615的博客
04-17 1109
mmdetection安装与测试 **MMDetection 是一个基于 PyTorch 的目标检测开源工具箱。它是 OpenMMLab 项目的一部分，支持了众多主流的和最新的检测算法，例如 Faster R-CNN，Mask R-CNN，RetinaNet 等。 mmdetection网址 环境安装 mmdetection提供了详细的快速入门指南。 1.首先创建一个虚拟环境，并激活 conda create -n open-mmlab python=3.7 -y #创建名为open-mmlab的虚拟
MMdetection
qq_39552034的博客
08-24 723
主要实现如下的功能： 使用现有的模型对给定的图像进行推理 在标准数据集上测试已有的模型 在标准数据集上训练预定义的模型 使用现有的模型对给定的图像进行推理 configs文件夹集成各种算法，模型在config文件中定义，设置所有东西：backbone，深度，训练策略，选取的优化器，数据处理参数……. 而模型的参数存在于checkpoint文件中。 config文件命名规则： {model}_[model setting]_{backbone}_{neck}_[norm setting]_[misc]_[
mmdetection
milao8245的博客
03-01 135
mmdetection介绍 mmdetection的结构 mmdetection通过封装pytorch将数据的输入，训练，模型的建立有序的过程。 1 配置文件 模型的配置存放在configs，你可以从faster_rcnn开始，其中包括三个部分：faster_rcnn_r50_fpn.py模型的基本架构，包括backbone，neck，head等。coco_detection.py 表示输入的数据是coco数据格式，以及输入数据的处理方式。schedule_1x.py表示训练过程的参数，包括训练过程中
OpenMMLab AI 实战第七课笔记——MMSegmentation
weixin_47951454的博客
02-11 436
OpenMMLab AI 实战第六课笔记——MMSegmentation，具体实践见官方视频，本博客图片均来源教程ppt
MMDetection-简介
周先森爱吃素的博客
01-23 8251
本文对目标检测领域著名工具箱MMDetection进行基本介绍。
hive连续五天打卡
12-12
从周一到周五，我连续五天都参加了hive打卡活动。每天我都按时起床，并在打卡群里发送我的早起打卡照片。这项活动让我养成了良好的早起习惯，也让我感到自己更加自律和有条理。在这五天里，我发现自己的精神状态也明显提高了，工作效率也有所增加。同时，我还学到了很多朋友在早晨做的不同有趣的事情，比如晨跑、读书、做早餐等，这些让我觉得很有启发。 参加hive连续五天打卡的活动，让我深刻体会到了坚持的力量。其实，很多时候，我们都会因为种种原因而放弃自己的目标和计划。但是通过这次活动，我了解到只要有坚定的决心和持续的努力，就能够克服困难，实现自己的目标。我也意识到，分享和交流对于坚持和进步是非常有益的，群里的朋友们互相激励，相互监督，共同进步，这种动力是非常强大的。 总之，参加hive连续五天打卡的活动是一次非常有意义的经历。我从中学到了坚持、自律、分享和进步的重要性，也收获了非常多的快乐和成就感。我会继续坚持下去，努力做到更好。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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