detectron2--使用自定义数据集（官方文档）

detectron2中利用自定义的数据集来训练（针对目标检测）

两个步骤

1、注册自定义的数据集(告诉数据集怎样获得数据集）
2、（可选择）为数据集注册metadata

1、注册数据集

数据集名称：my_dataset
定义my_dataset_function按照顺序来返回数据集中所有的数据。斯普哦

def my_dataset_function():
  ...
  return list[dict] in the following format

from detectron2.data import DatasetCatalog
DatasetCatalog.register("my_dataset", my_dataset_function)
# later, to access the data:
data: List[Dict] = DatasetCatalog.get("my_dataset")

返回数据形式：list[dict]（列表[字典]），每一个字典里面的内容有以下两种形式：
1、标准的detectron2数据集字典格式（推荐）
2、自定义格式

1.1标准的detectron2数据集字典格式

跟COCO数据集的annotations格式相近。每个dict包含一张图片的信息，对于目标检测任务有：

通用的keys	value
file_name	图片文件的完整路径
height,weight	图片大小
image_id（str或者int）	图片的id

目标检测任务	keys	value
annotations	bbox(list[dict])
	bbox_mode(int)	bbox的格式：BoxMode.XYXY_ABS, BoxMode.XYWH_ABS
	category_id (int）	范围是0-num_class-1

2、自定义数据集的metadata

metadata是包含整个数据集共享信息的key-value map，通常用来描述数据集里面是什么，比如：种类数量、种类颜色、文件根目录等等。
每个数据集都有metadata，通过MetadataCatalog.get(dataset_name).some_metadata接入。
metadata的的结构取决于相关的代码流需要什么。
如果通过DatasetCatalog.register注册了一个新的数据集，那可以通过MetadataCatalog.get(dataset_name).some_key = some_value来加入相关的metadata，metadate的keys：

key	value
thing_classes (list[str])	每个实例类别的名字列表
thing_colors (list[tuple(r, g, b)])	每个类别的预先定义的颜色，主要用于可视化，不定义就随机颜色

其他不用于目标检测的key-value没写，自行查阅官方文档

3、更新新数据集的配置文件

注册新数据集以后可以在cfg.DATASETS.{TRAIN,TEST}中使用数据集名字（my_dataset)

MODEL.ROI_HEADS.NUM_CLASSES

MODEL.RETINANET.NUM_CLASSES

MODEL.ROI_KEYPOINT_HEAD.NUM_KEYPOINTS

TEST.DETECTIONS_PER_IMAGE

参考文档：detectron2官方文档