云服务器上安装MMDetection及训练自己的数据集-方法总结

本文详细介绍了如何在云服务器上安装mmcv和mmdetection,包括使用清华源安装依赖、从码云下载代码、安装mmcv-full以及mmdetection的编译。此外,还讲解了训练自定义VOC数据集的步骤,包括创建目录、修改config.py、voc.py和class_names.py,以及训练和查看日志的过程。
摘要由CSDN通过智能技术生成

1.安装mmcv和mmdetection

第一步:使用清华源来安装pytorch、torchvision和cython

直接安装pytorch和torchvision,命令如下:

install pytorch torchvision cudatoolkit=10.0
install cython

这一步由于我使用的是云服务器,机器已经把基础环境配置好了,我用的版本是:
pytorch1.6.0
CUDA10.2
python 3.6
登陆工具为XFTP,Xshell
注意:版本一定要对应(包括后续安装),避免安装过程中各种莫名其妙的错误!!!

第二步:git下载mmcv和mmdetection:

从github上下载mmcv和mmdetection,可能会导致超时或过慢:(不建议)

git clone https://github.com/open-mmlab/mmcv.git
git clone https://github.com/open-mmlab/mmdetection.git
1.从码云上下载mmcv和mmdetection的代码到云主机,命令如下:(建议使用
git clone https://gitee.com/mirrors/mmcv.git
git clone https://gitee.com/mirrors/mmdetection.git
2.确保一些必要的包已经安装:

不要提前安装pycocotools!!!因为mmdetection是使用的自己开发的pycocotools,当系统中已经安装了此包的时候,mmdetection不会覆盖安装,会导致后面安装失败!!(找了好久才解决)

pip install pytest-runner 
pip install pytest 
pip install addict
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pyyaml
pip install yaps   #这个很可能需要安装
pip install matplotlib  terminaltables   imagecorruptions  albumentations
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib==3.3.1
3.安装mmcv-full

mmcv-full为GPU版本,mmcv为CPU版本,官方提示两者不可同时安装。

pip install mmcv-full==1.2.4 -f https://download.openmmlab.com/mmcv/dist/cu102/
***etection 3.0 训练自己的数据集,您需要执行以下步骤: 1. 数据准备:准备好您自己的数据集,并确保数据集的目录结构与 COCO 数据集相似。数据集应包含标注文件(如 JSON 或 XML)和图像文件。 2. 数据转换:将您的数据集转换为 COCO 格式。您可以使用工具如 labelme、VIA 等来标注和转换数据。 3. 配置模型:在 mmdetection 3.0 的配置文件中选择适合您任务的模型,例如 Faster R-CNN、Mask R-CNN 等。您可以在 mmdetection 的模型库中找到相关的配置文件,并根据您的需求进行修改。 4. 修改配置文件:打开所选模型的配置文件,根据您的数据集训练需求进行相应修改。主要包括类别数目、数据集路径、训练和测试的批量大小、学习率等参数。 5. 训练模型:使用命令行运行训练脚本,指定配置文件和 GPU 数量。例如,使用以下命令启动训练: ```shell python tools/train.py <CONFIG_FILE> --gpus <NUM_GPUS> ``` 其中 `<CONFIG_FILE>` 是您修改后的配置文件路径,`<NUM_GPUS>` 是用于训练的 GPU 数量。 6. 测试模型:在训练过程中,您可以使用验证集来监控模型的性能。当训练完成后,您可以使用以下命令进行模型测试: ```shell python tools/test.py <CONFIG_FILE> <CHECKPOINT_FILE> --eval <EVAL_METRICS> ``` 其中 `<CONFIG_FILE>` 是您修改后的配置文件路径,`<CHECKPOINT_FILE>` 是训练过程中保存的模型权重文件路径,`<EVAL_METRICS>` 是评估指标,如 bbox、segm 等。 7. 推理模型:使用训练好的模型对新的图像进行目标检测。您可以使用以下命令进行推理: ```shell python tools/infer.py <CONFIG_FILE> <CHECKPOINT_FILE> <IMAGE_FILE> --show ``` 其中 `<CONFIG_FILE>` 是您修改后的配置文件路径,`<CHECKPOINT_FILE>` 是训练过程中保存的模型权重文件路径,`<IMAGE_FILE>` 是要进行推理的图像文件路径。 以上是 mmdetection 3.0 训练自己数据集的基本步骤。在实际操作中,您可能需要根据您的具体需求进行进一步的调试和优化。希望对您有所帮助!如有其他问题,请随时提问。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值