mmdetection 常用命令

1. 多卡训练

CUDA_VISIBLE_DEVICES=0,1,2,3 PORT=15200 ./tool/dist_train.py configs/***.py 4

多机多卡：

机器1: python -m torch.distributed.launch --nproc_per_node=8 --nnodes=2 --node_rank=0 --master_addr=172.16.30.2 --master_port=29502 tools/train.py ***.py --launcher=pytorch
机器2：python -m torch.distributed.launch --nproc_per_node=8 --nnodes=2 --node_rank=1 --master_addr=172.16.30.2 --master_port=29502 tools/train.py ***.py --launcher=pytorch

（

• • 关于多机多卡训练的几个注意事项：
    1. 代码：
    a. 需要写代码的时候支持多机多卡，这个openmmlab系列的代码默认是支持的。如果是自己新实现的代码，一般多卡可以用，那么多机多卡也可以用。
    b. 不同机器上要用完全相同的一套代码（除非是故意设计成不一样的），因为会涉及到数据通信，否则会出现卡死或结果不对
    c. 最好保持不同机器的代码放在同一个路径下，可以放在共享目录，也可以放在不同机器的相同绝对路径
    2. 数据：用同样的数据，放在同一个位置。参考1.c的放置方法（本地也可以，保证训练代码一致，路径一致就行）
    3. 环境：参考2数据放置的方法（注意这里的环境不仅包括conda环境，还包含各种环境变量，cuda，cudnn等）
    4. 使用：假设有2台机器，机器1的IP：192.168.28.71，机器2的IP：192.168.28.72。
    在机器1上执行：NNODES=2 NODE_RANK=0 MASTER_ADDR=192.168.28.71 PORT=29512 bash tools/dist_train.sh .......
    在机器2上执行：NNODES=2 NODE_RANK=1 MASTER_ADDR=192.168.28.71 PORT=29512 bash tools/dist_train.sh .......

）

2. 普通测试

python tools/test.py configs/yolox/mobilenetv2/yolox_nano_mobilenetv2_050_yoloxpafpn_face_person_0207.py work_dir/yolox_nano_mobilenetv2_050_yoloxpafpn_face_person_0207/best_bbox_mAP_epoch_99.pth --eval bbox

3. 生成PR指标测试（内部实现）

python tools/test.py configs/yolox/face_person_0207.py work_dir/face_person_0207/best_bbox_mAP_epoch_99.pth --eval bbox --eval_for_engineering

4. 保存预测的JSON文件

python tools/test.py configs/yolox/face_person_0207.py work_dir/face_person_0207/best_bbox_mAP_epoch_99.pth  --format-only --eval-options jsonfile_prefix=facedata_v1

5. 在线测试 JSON文件（work_dir不起作用可以随便设置）

python tools/test.py configs/yolox/face_person_0207.py work_dir/face_person_0207/best_bbox_mAP_epoch_99.pth --offline_pr **.json  --eval bbox --eval_for_engineering

6. 离线工具测试命令(detection_evalution)

python main.py --mmdet_result ***.json --config ***config.py --label_file **gt.json

7.生成onnx

python tools/deployment/pytorch2onnx.py configs/yolox/mobilenetv2/yolox_nano_mobilenetv2_025_yoloxpafpn_face_person_0209_person_relu.py work_dir/yolox_nano_mobilenetv2_025_yoloxpafpn_face_person_0209_person_relu/epoch_1.pth --output-file work_dir/yolox_nano_mobilenetv2_025_yoloxpafpn_face_person_0209_person_relu/mobilenet_025_320_192 --shape 192 320 --skip-postprocess 

8.绘制loss曲线，查看模型收敛情况

python tools/analysis_tools/analyze_logs.py plot_curve work_dir/a/20230214_053242.log.json --keys loss --start-epoch 1 --eval-interval 10 --legend loss --out=work_dir/a/loss.png

9.查看网络细节信息

models = torch.load("***.pth")
models.keys() #查看模型关键字
state_dict = models['state_dict']
for name, v in state_dict.items():
    print(name, v.shape)

10.查看 param 和 flops

python tools/analysis_tools/get_flops.py /home/liushuan/work_space/mmdetection_superacme/configs/yolox/yolox_nano_cspdarknetv10_person_face_keypoint_ov.py --shape 384 640

11.可视化loss结果

python tools/analysis_tools/analyze_logs.py plot_curve  *.log.json --keys loss --out **/loss.jpg

        (也可使用tensorbord 可视化，需要提前在config里面做相关配置)

MMYolo

        1.保存onnx模型

python projects/easydeploy/tools/export.py \
    configs/yolov5/yolov5_s-v61_fast_1xb12-40e_cat.py \
    work_dirs/yolov5_s-v61_fast_1xb12-40e_cat/epoch_40.pth \
    --work-dir work_dirs/yolov5_s-v61_fast_1xb12-40e_cat \
    --img-size 640 640 \
    --batch 1 \
    --device cpu \
    --simplify \
    --opset 11 \
    --backend 1 \
    --pre-topk 1000 \
    --keep-topk 100 \
    --iou-threshold 0.65 \
    --score-threshold 0.25