mmdetectionV2.x版本 训练自己的VOC数据集

mmdetectionV2.x版本 训练自己的VOC数据集

---

1 首先根据规范的VOC数据集导入到项目目录下，如下图所示：

mmdetection
----mmdet
----tools
----configs
----data
--------VOCdevkit
------------VOC2007
--------------- Annotations
---------------- JPEGImages
---------------- ImageSets
------------------------ Main
---------------------------- test.txt
---------------------------- trainval.txt
---------------------------- val.txt
---------------------------- test.txt

先在mmdetection目录下依次创建data、VOCdevkit、VOC2007文件夹，嵌套关系如上，再在VOC2007文件夹下按VOC格式存放自己的数据集（Annotation存放检测框信息、JPEGImages存放要检测的图片，这两个文件夹的名字一定不能修改），ImageSets是放txt文件，可以修改名字，但是初次使用建议规范格式

2 修改配置文件

2.1 配置检测类别

mmdet/datasets/voc.py

2.2 配置图片格式

mmdet/datasets/xml_style.py

如果图片是jpg则改成jpg，是png格式就改成png

2.3 （非必要的步骤）针对标注文件 .xml的没有 <difficult> 标签的情况

（这一步并非必要，可以先跳过，完成所有步骤训练若报错：AttributeError: ‘NoneType‘ object has no attribute ‘text‘，再回来加上这一步）

报错原因：标注文件 .xml的<object>没有<difficult>的标签。difficlut表明这个待检测目标很难识别，有可能是虽然视觉上很清楚，但是没有上下文的话还是很难确认它属于哪个分类；标为difficult的目标在测试成绩的评估中一般会被忽略，下面举一个例子：

2种解决方法：

1、可以查找.xml标注文件，把没有difficlut标签的补上。
2、由于我的标签数据非常多，所有都添加上difficult的话非常耗时。如果数据没有特别难分的类别，可以忽略这个标签，在代码里把difficlut置为1，具体操作如下：打开mmdet/datasets/xml_style.py，将difficult=int(obj.find(‘difficult’).text)改为如下代码：

    if obj.find('difficult'):
​         difficult = int(obj.find('difficult').text)
​      else:
​        difficult = 0

参考链接：https://blog.csdn.net/u014479551/article/details/107377992/

3 用自己的VOC数据集训练mmdetection中的faster_rcnn

这里以faster_rcnn 网络为例介绍如何使用mmdetection训练自己的VOC数据集

3.1 faster_rcnn 配置文件介绍

faster_rcnn 基本配置文件位置：mmdetection/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py ，打开如下图所示：

会发现这里只是引入了_base_文件夹中的几个文件，这里简单介绍下：

•  faster_rcnn_r50_fpn.py 包含了具体的模型配置
•  coco_detection.py 表示的是COCO格式数据集的相关配置
•  schedule_1x.py和default_runtime.py 包含训练相关数据

其实我们在mmdetection的configs文件夹中会看到许多类似的模型配置文件。之所以这样写，是为了简化代码的耦合性，简单来说就是，很多相同的配置我直接写入一个py文件每次import就可以了呀。初次学习不需要去完全弄懂，先跑通一个代码。等你多跑了几个模型，大概就明白为什么这样写了。

3.1.1 为了跑voc数据集我们需要将coco配置文件替换成voc配置文件，如下图所示：

接着我们需要分别修改将 num_classes 改为自己的类别数（有的博客用的mmdetection由于版本问题是类别数+1，这里用的版本是2.x，num_classes是类别数）

3.1.2 接着依次修改上图中的几个文件

1、首先，修改模型配置文件，根据上图中fast_rcnn_r50_fpn_1x.py中的路径（如下图）找到该文件位置，将所有的 num_classes 变量改为自己分类的类别数（有的博客用的mmdetection由于版本问题是类别数+1（表示背景），这里用的版本是2.x，num_classes就是类别数，比如我是四分类，那么这里就将所有的num_classes变量改为4）
…/base/models/faster_rcnn_r50_fpn.py

2、修改数据集配置文件，主要是填入你的数据集的路径，该文件在

• …/base/datasets/voc0712.py
  

可以关注一下这句代码，不用修改，可以理解步骤一中为什么数据要放在 data/VOCdevkit/下，之所以命名为VOC2007也是为了后续修改方便

修改你的data_root

修改data下的train、val、test中的ann_file的路径（txt文件的路径）和img_prefix的路径（图片的路径）

如图可见，路径中并未提及Annotations和JPEGImages这两个文件夹，img_prefix只指明了数据集的根目录’VOC2007’，说明在其他代码中会自动在img_prefix提供的路径后面自动添加Annotations和JPEGImages来搜索相应的检测框信息和图片，这也就是为什么步骤一中不能修改Annotations、JPEGImages名字的原因。ImageSets无所谓，这只是存放txt文件的文件夹，如果改成别的名字或路径，只要修改上面两图中的橙色框内的ann_file所指路径即可。

这里因为我是train和test数据集分开存放，所以路径和标准路径稍微有点不同，但是无论是train还是test都有各自的Annotations和JPEGImages这两个文件夹，这一点一定不能变。

4 修改mmdetection/mmdet/core/evaluation目录下class_names.py

这个类名的修改是用于模型测试的时候，如果不加修改，相当于训练的时候用的是正确的类，但是测试的时候显示的还是默认的类名。

重要：修改完 class_names.py 和 voc.py 之后一定要重新编译代码（运行python setup.py install），再进行之后的训练，否则验证输出仍然为VOC的类别，且训练过程中指标异常。建议以后修改完mmdetec这个文件夹中的任何文件，都运行一下上面这个命令，养成习惯。

参考链接：https://www.it610.com/article/1294190526756626432.htm

5 训练

5.1 训练很简单，利用官方文档给出的命令：

python tools/train.py ${CONFIG_FILE}

{CONFIG_FILE}就是你要跑的网络的配置文件，下面举两个例子

• 用faster_rcnn网络训练:

  python tools/train.py configs/pascal_voc/faster_rcnn_r50_fpn_1x_voc0712.py
  

• 用ssd训练：

  python tools/train.py configs/pascal_voc/ssd512_voc.py
  

5.2 更改训练好的模型的存放目录

mmdetection会将训练过程中生成的log文件和模型文件默认放在mmdetection/work-dir目录下，若要指定目录，可以使用work-dir参数，只需在训练命令后面加入 --work-dir ${YOUR_WORK_DIR}

例如：

python tools/train.py configs/pascal_voc/faster_rcnn_r50_fpn_1x_voc0712.py --work-dir my_workspace/

其他的参数、指令可以多看看github上面mmdetection的官方文档。

---

本文为原创文章，如需转载，请注明出处
如果有帮助到你的话，点个赞再走呀~