MMDetection环境配置

基础知识

目标检测时多任务模型，包括分类和检测。定位物体，还要识别出什么东西。
MMDetection支持目标检测、实例分割、全景分割。覆盖广泛。
主要特点：模块化设计、支持多种检测任务、速度快、性能高。

整个训练推理流程：

• 数据集准备和可视化
• 自定义配置文件
• 训练前可视化验证
• 模型训练
• 模型测试和推理
• 可视化分析

检测环境并安装MMDetection及其依赖

# 检查版本是否和python版本一致
nvcc -V
gcc --version

安装mmengine和mmcv依赖

pip install -U "openmim==0.3.7"
mim install "mmengine==0.7.1"
mim install "mmcv==2.0.0"

rm -rf mmdetection
git clone -b tutorials https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -e .

环境信息收集打印

from mmegine.utils import get_git_hash
from mmegine.utils.dl_utils import collect_env as collect_base_env
import mmdet

def collect_env():
    """Collect the information of the running environments."""
    env_info = collect_base_env()
    env_info['MMDetection'] = f'{mmdet.__version__}+{get_git_hash()[:7]}'
    return env_info


if __name__ == '__main__':
    for name, val in collect_env().items():
        print(f'{name}: {val}')

数据集准备和可视化

数据集下载

rm -rf cat_dataset*
wget https://download.openmmlab.com/mmyolo/data/cat_dataset.zip
unzip cat_dataset.zip -d cat_dataset && rm cat_dataset.zip

数据可视化

import os
import matplotlib.pyplot as plt
from PIL import Image

%matplotlib inline
%config InlineBackend.figure_format = 'retina'

original_images = []
images = []
texts = []
plt.figure(figsize=(16, 5))

image_paths= [filename for filename in os.listdir('cat_dataset/images')][:8]

for i,filename in enumerate(image_paths):
    name = os.path.splitext(filename)[0]

    image = Image.open('cat_dataset/images/'+filename).convert("RGB")
  
    plt.subplot(2, 4, i+1)
    plt.imshow(image)
    plt.title(f"{filename}")
    plt.xticks([])
    plt.yticks([])

plt.tight_layout()

这部分内容对我来说还是有一定的难度，很多地方还没有跑通，以及之后的json文件修改等等，还在不断解决问题和探索当中。。。