细致讲解！— 基于Detectron2的AdelaiDet工具包的CondInst模型简单训练（2）

---

Condlnst模型简介

CondInst是一个简单但有效的实例分割框架。它消除了ROI裁剪和与实例感知遮罩头的特征对齐。因此，CondInst可以解决完全卷积网络的实例分割问题。CondInst能够生成高分辨率的实例掩码，而无需更长的计算时间。大量实验表明，CondInst比Mask R-CNN具有更好的性能和推理速度。它可以作为以前基于ROI的实例分割方法的有力替代。
论文点这里：论文地址！

---

平台的选择：极链AI云

优势特点：与很多平台不同，按小时计费；服务器GPU类型多样，选择多，数量多；有短期的暑期优惠和长期的学生优惠可以选择，非常的实惠！！！

贴一个极链AI云的官网：https://cloud.videojj.com

---

本文引用的github相关

AdelaiDet toolkit 地址：点这里跳转AdelaiDet
Detectron2 地址：点这里跳转Detectron2

---

所需配置

之前的配置文章

---

训练模型

1.数据集准备(以coco2014为例)

创建coco文件夹路径：

mkdir /root/AdelaiDet/datasets/coco

建立极链平台公共数据集与coco文件夹的软连接：

build coco2014 link：
ln -s /datasets/coco2014/train2014 /root/AdelaiDet/datasets/coco/train2014
ln -s /datasets/coco2014/test2014 /root/AdelaiDet/datasets/coco/test2014
ln -s /datasets/coco2014/val2014 /root/AdelaiDet/datasets/coco/val2014
ln -s /datasets/coco2014/annotations /root/AdelaiDet/datasets/coco/annotations

此处换成coco2017也可以，注意检查公共数据集的格式和位置！！！

---

2.修改yaml配置文件:

修改yaml文件
修改root/AdelaiDet/configs/Condlnst/Base-Condlnst.yaml中：
DATASETS:
TRAIN: (“coco_2014_train”,)
TEST: (“coco_2014_val”,)

---

3.用 COCO2014 跑Condlnst：

GPU数量可以根据需求选择。

OMP_NUM_THREADS=1 python tools/train_net.py \
    --config-file configs/CondInst/MS_R_50_1x.yaml \
    --num-gpus 8 \
    OUTPUT_DIR training_dir/CondInst_MS_R_50_1x

具体usage，按需调整：

usage: train_net.py [-h] [--config-file FILE] [--resume] [--eval-only] [--num-gpus NUM_GPUS] [--num-machines NUM_MACHINES] [--machine-rank MACHINE_RANK] [--dist-url DIST_URL] ...

positional arguments:
  opts                  Modify config options at the end of the command. For Yacs configs, use space-separated "PATH.KEY VALUE" pairs. For python-based LazyConfig, use
                        "path.key=value".

optional arguments:
  -h, --help            show this help message and exit
  --config-file FILE    path to config file
  --resume              Whether to attempt to resume from the checkpoint directory. See documentation of `DefaultTrainer.resume_or_load()` for what it means.
  --eval-only           perform evaluation only
  --num-gpus NUM_GPUS   number of gpus *per machine*
  --num-machines NUM_MACHINES
                        total number of machines
  --machine-rank MACHINE_RANK
                        the rank of this machine (unique per machine)
  --dist-url DIST_URL   initialization URL for pytorch distributed backend. See https://pytorch.org/docs/stable/distributed.html for details.

Examples:

Run on single machine:
    $ tools/train_net.py --num-gpus 8 --config-file cfg.yaml

Change some config options:
    $ tools/train_net.py --config-file cfg.yaml MODEL.WEIGHTS /path/to/weight.pth SOLVER.BASE_LR 0.001

---

小结

按照步骤即可完成，Condlnst的训练了，整个训练过程较长，花费时间较多。时间紧任务重，估计也是累死服务器里的显卡了，哈哈。