mmdet-rfla调试经验


这篇文章是属于今年TOD领域的文章,比较惊喜的是它提出了基于Gaussian prior分布差异的度量距离,虽然玩的都是KD。不过还是值得将这份代码看看你是否能拓展在其他领域中。比如我现在就拿这个来尝试跑通缺陷检测

环境配置

这份代码是基于mmdetection框架进行魔改。所以配置方式和mmdetection是一样的。我的是3060卡。现在配置mmdetection可按照下面的步骤走,以及我会记录之前遇到的问题。

  1. 创建conda虚拟环境
conda create -n mmd python=3.8
  1. 开启虚拟环境
conda activate mmd
  1. 安装torch torchvision

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio===0.8.0 -f https://download.pytorch.org/whl/torch_stable.html
  1. 验证当前torch是否匹配你的cuda
import torch
torch.cuda.is_available() # 如果返回True,说明ok
torch.zeros(1).cuda()
  1. 安装mmcv
    注意,这里是要小心,mmcv-full的版本要根据工程规定的版本安装。不然就会不匹配。就拿rfa这份代码。我也是后来才知道它做了版本限制。它是在mmdet-rfla/build/lib/mmdet/_init_.py中写了这一段
mmcv_minimum_version = '1.3.2'
mmcv_maximum_version = '1.4.0'
mmcv_version = digit_version(mmcv.__version__)

assert (mmcv_version >= digit_version(mmcv_minimum_version)
        and mmcv_version <= digit_version(mmcv_maximum_version)), \
    f'MMCV=={mmcv.__version__} is used but incompatible. ' \
    f'Please install mmcv>={mmcv_minimum_version}, <={mmcv_maximum_version}.'

根据这个表格
在这里插入图片描述
最后安装了mmcv==1.3.9
注意cu111和torch1.8.0这里要和前面torch所安装的版本要对应

pip install mmcv-full==1.3.9 -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.8.0/index.html
  1. 安装mmcv
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection   
pip install -r requirements/build.txt   
pip install -v -e . 
  1. 安装cocoapi
    这是这份代码专属的cocoapi
# Install cocoapi
pip install "git+https://github.com/jwwangchn/cocoapi-aitod.git#subdirectory=aitodpycocotools"
  1. 验证一下
    这里我还在摸索为啥jupyter notebook导入不了mmcv,但是我在命令行是可以的

Q&A

  1. no kernel image is available for execution on the device问题–(基本可判断为版本不匹配)
    然后这里的问题,并非网上说的算力不匹配,而是你mmcv的版本搞错了。一定要对照表格以及torch的安装版本

导入数据

你需要与configs同级目录下创建一个data文件夹,然后如果你是coco数据集,那就这么放

安排数据集文件夹

# ├── configs
# └── data
#     └── annotations
#        └── train.json
#        └── val.json
#     └── JPEGImages
#        └── xxx.jpg

调试数据集路径

这里的规律我是通过看configs/rfla/下的py,它在开头写

_base_ = [
    '../_base_/datasets/aitodv2_detection.py',
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]

我就知道应该是这个model文件要关联dataset的调用,optimizer的配置以及log文件的配置。

复制一份coco_detection.py作为当前任务的数据集配置脚本,命名为defect_detection.py
记住要改成这八个位置 强烈建议刚刚接触mmdetection的小伙伴,第一个位置就写CocoDataset,因为它这里是使用了

dataset_type = 'CocoDataset' # 1
data_root = r'../data/' # 2

data = dict(
    samples_per_gpu=8,
    workers_per_gpu=1,
    train=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/train.json',# 3
        img_prefix=data_root + 'JPEGImages/',# 4
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/val.json', # 5
        img_prefix=data_root + 'JPEGImages/', # 6
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/val.json', # 7
        img_prefix=data_root + 'test/', # 8
        pipeline=test_pipeline))

切记,这份py不能出现中文和反斜杠,因为mmdetection说白了就是从一份py里面通过命令行调用直接调用另外一份py,所以他对py里面的注释内容都很严格

网络选型

我选择的是cascade rcnn的py,那么我们在./configs/rfla/aitod_cascade_r50_rfla_kld_1x.py中修改参数
一个是_base_ ,另外一个是roi_head里面的num_classes

_base_ = [
    '../_base_/datasets/defect_detection.py', # 1这个的py就是上面数据集脚本的名字
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]

# 这里的所有num_classes
roi_head=dict(
        type='CascadeRoIHead',
        num_stages=3,
        stage_loss_weights=[1, 0.5, 0.25],
        bbox_roi_extractor=dict(
            type='SingleRoIExtractor',
            roi_layer=dict(type='RoIAlign', output_size=7, sampling_ratio=0),
            out_channels=256,
            featmap_strides=[4, 8, 16, 32]),
        bbox_head=[
            dict(
                type='Shared2FCBBoxHead',
                in_channels=256,
                fc_out_channels=1024,
                roi_feat_size=7,
                num_classes=3, #2
                bbox_coder=dict(
                    type='DeltaXYWHBBoxCoder',
                    target_means=[0., 0., 0., 0.],
                    target_stds=[0.1, 0.1, 0.2, 0.2]),
                reg_class_agnostic=True,
                loss_cls=dict(
                    type='CrossEntropyLoss',
                    use_sigmoid=False,
                    loss_weight=1.0),
                loss_bbox=dict(type='SmoothL1Loss', beta=1.0,
                               loss_weight=1.0)),
            dict(
                type='Shared2FCBBoxHead',
                in_channels=256,
                fc_out_channels=1024,
                roi_feat_size=7,
                num_classes=3,
                bbox_coder=dict(
                    type='DeltaXYWHBBoxCoder',
                    target_means=[0., 0., 0., 0.],
                    target_stds=[0.05, 0.05, 0.1, 0.1]),
                reg_class_agnostic=True,
                loss_cls=dict(
                    type='CrossEntropyLoss',
                    use_sigmoid=False,
                    loss_weight=1.0),
                loss_bbox=dict(type='SmoothL1Loss', beta=1.0,
                               loss_weight=1.0)),
            dict(
                type='Shared2FCBBoxHead',
                in_channels=256,
                fc_out_channels=1024,
                roi_feat_size=7,
                num_classes=3,
                bbox_coder=dict(
                    type='DeltaXYWHBBoxCoder',
                    target_means=[0., 0., 0., 0.],
                    target_stds=[0.033, 0.033, 0.067, 0.067]),
                reg_class_agnostic=True,
                loss_cls=dict(
                    type='CrossEntropyLoss',
                    use_sigmoid=False,
                    loss_weight=1.0),
                loss_bbox=dict(type='SmoothL1Loss', beta=1.0, loss_weight=1.0))
        ]),

数据集类别配置

在这个./mmdet/datasets/coco.py里面修改

class CocoDataset(CustomDataset):

    # CLASSES = ('person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus',
    #            'train', 'truck', 'boat', 'traffic light', 'fire hydrant',
    #            'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog',
    #            'horse', 'sheep', 'cow', 'elephant', 'bear', 'zebra', 'giraffe',
    #            'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee',
    #            'skis', 'snowboard', 'sports ball', 'kite', 'baseball bat',
    #            'baseball glove', 'skateboard', 'surfboard', 'tennis racket',
    #            'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl',
    #            'banana', 'apple', 'sandwich', 'orange', 'broccoli', 'carrot',
    #            'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch',
    #            'potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop',
    #            'mouse', 'remote', 'keyboard', 'cell phone', 'microwave',
    #            'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock',
    #            'vase', 'scissors', 'teddy bear', 'hair drier', 'toothbrush')
    CLASSES =('hp_cm','hp_cd','kp')

训练命令

python tools/train.py --gpus 1 --gpu-ids [0] ../configs/rfla/aitod_cascade_r50_rfla_kld_1x.py

Q&A

  1. ModuleNotFoundError: No module named ‘aitodpycocotools’
    就是你忘记安装它提供的cocoapi,参照上面环境配置安装即可
  2. UnicodeDecodeError: ‘utf-8’ codec can’t decode byte 0xca in position 32: invalid continuation byte
    或者python3 unicodedecodeerror: ‘ascii‘ codec can‘t decode byte 0xe6
    是因为你在上述所提及的所有py中加了中文注释

未完待续…如果有遗漏,欢迎评论区留言

  • 15
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 20
    评论

“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 20
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