mmdetection训练自己的coco数据

参考链接

COCO的 全称是Common Objects in Context，是微软团队提供的一个可以用来进行图像识别的数据集。COCO通过在Flickr上搜索80个对象类别和各种场景类型来收集图像。COCO数据集现在有3种标注类型：object instances（目标实例）, object keypoints（目标上的关键点）, 和image captions（看图说话），使用JSON文件存储。

coco数据集按照以下的目录形式存储：

修改相关文件。

我的数据集类别共有两个，官方提供的代码中都使用的是coco数据集，虽然我们自定义的数据集也已经转换成coco标准格式了，但是像class_name和class_num这些参数是需要修改的，不然跑出来的模型就不会是你想要的。

定义数据种类

需要修改的地方在mmdetection/mmdet/datasets/coco.py。把CLASSES的那个tuple改为自己数据集对应的种类tuple即可。

注意：如果只有一个类，要加上一个逗号，否则将会报错。

修改数据集类别

在mmdetection/mmdet/core/evaluation/class_names.py修改coco_classes数据集类别，这个关系到后面test的时候结果图中显示的类别名称。例如：

修改模型文件

修改/mmdetection/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py中：model字典中的num_classes、data字典中的img_scale和optimizer中的lr(学习率)。 另外，workers_per_gpu=0。

num_classes=3,#类别数+1
img_scale=(640, 480),#输入图像尺寸的最大边与最小边，train val test这三处都要修改
optimizer = dict(type='SGD', lr=0.0025, momentum=0.9, weight_decay=0.0001) #当gpu数量为8时,lr=0.02；当gpu数量为4时,lr=0.01；我只要一个gpu，所以设置lr=0.0025

注意：套娃的时候修改指向的模型文件。

最后，在mmdetection的目录下新建work_dirs文件夹

（重要：若改动框架源代码后，一定要注意重新编译后再使用。类似这里修改了几个源代码文件后再使用train命令之前，先要编译

sudo python3 setup.py develop

执行上面的指令后才能使修改的mmdetection/mmdet/datasets/coco.py数据集文件生效，然后执行训练指令），实际没有重新编译，也能顺利训练。

训练

python tools/train.py configs/faster_rcnn_r50_fpn_1x_coco.py  --validate --work-dir work_dirs --resume-from epoch_1.pth

上面指令中的–validate表示是否在训练中建立checkpoint的时候对该checkpoint进行评估（evaluate）。如果使用是分布式训练，且设置了–validate，会在训练中建立checkpoint的时候对该checkpoint进行评估。（未采用分布式训练时，–validate无效，因为train_detector中调用的mmdet.apis._non_dist_train函数未对validate参数做任何处理）。

训练完之后work_dirs文件夹中会保存下训练过程中的log日志文件、每个epoch的pth文件（这个文件将会用于后面的test测试）

测试

python tools/test.py configs/faster_rcnn_r50_fpn_1x_coco.py work_dirs/epoch_12.pth --out ./result/result_12.pkl --eval bbox