MMDetection安装和简单使用

最新推荐文章于 2024-09-04 12:10:54 发布
最新推荐文章于 2024-09-04 12:10:54 发布
阅读量1.2k 收藏 11
点赞数 1
分类专栏： 工具类 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiaoxi___0818/article/details/110430085
版权

一、安装
1.要求

  • Python 3.6+
  • PyTorch 1.3+
  • CUDA 9.2+ (If you build PyTorch from source, CUDA 9.0 is also compatible)
  • GCC 5+
  • MMCV

2.安装
（1）一般会新建虚拟环境，在虚拟环境下安装

conda create -n open-mmlab python=3.6 -y
source activate open-mmlab

（2）安装Pytorch和torchvision

conda install pytorch cudatoolkit=10.1 torchvision -c pytorch

镜像源操作：

#可以添加使用Pytorch的清华源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
#添加阿里镜像源：
conda config --add channels https://mirrors.aliyun.com/pypi/simple/
#换回conda默认的镜像源：
conda config --remove-key channels
# 显示检索路径，每次安装包时会将包源路径显示出来
conda config --set show_channel_urls yes
conda config --set always_yes True
# 显示所有镜像通道路径命令
conda config --show channels

（3）安装MMCV，参考网页
安装使用mmcv-full，我的安装mmcv或pip安装mmcv-full都有报错

pip install mmcv-full==latest+torch1.4.0+cu100 -f https://download.openmmlab.com/mmcv/dist/index.html

(4）安装MMDetection,MMDetection地址
直接下载或者git下载，然后

cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .  # or "python setup.py develop"

（5）试验，下载一个faster_rcnn_r50_fpn_1x的预训练模型，保存到mmdetection/checkpoints目录下,运行下面的代码,如果能显示图片和预测框，说明安装成功了。
之前有一些使用show_result函数，但是这个版本（2018-2019 Open-MMLab，2020年10月下载）中好像换成了show_result_pyplot。

import os
import cv2
import mmcv 
from mmdet.apis import init_detector, inference_detector, show_result_pyplot

config_file = 'configs/myconfig/faster_rcnn_r50_fpn_coco.py'
checkpoint_file = 'checkpoints/faster_rcnn_x101_64x4d_fpn_1x_coco_20200204-833ee192.pth' 

model = init_detector(config_file, checkpoint_file, device='cuda:0')
# 测试视频和显示测试结果
#video = mmcv.VideoReader('/home/pv/pv_video/5.MP4') # mp4,avi,mov等常用的视频格式都可以！
#测试图片
filespath = "1.jpg"
dst_Path=os.path.join("result/", config_file.split("/")[-1].split(".")[0]) # 推断结果保存路径
img = mmcv.imread(filespath)
result = inference_detector(model, jpgpath)
# 推断结果保存，result是一个二维数组，多少个框，每个框的坐标和置信度。
#for label in range(len(result)):
#	bbox = result[label]
#	for i in range(bbox.shape[0]):
#		if bbox[i][4]>0.1:
#			cv2.rectangle(img,(bbox[i][0],bbox[i][1]),(bbox[i][2],bbox[i][3]),(0,0,255))

show_result_pyplot(model, filespath, result)  # 不保存测试的图片（帧）
#show_result_pyplot(frame, result, model.CLASSES, wait_time=1,out_file=os.path.join(dst_Path,'result_{}.jpg'.format(num))) #保存测试后的图片（帧）！

至此，MMDetection安装完成。

二、使用
1.修改自己的数据集格式为COCO或者VOC格式。
2.修改配置文件
第6步创建自定义配置文件。

（1）修改基础配置
./configs/base 的目录结构：
base
├─ datasets
├─ models
├─ schedules
└─ default_runtime.py

可以看出，包含四类配置：

datasets：定义数据集
models：定义模型架构
schedules：定义训练计划
default_runtime.py：定义运行信息

打开 ./configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py，修改数据集配置的路径：

_base_ = [
    '../_base_/models/faster_rcnn_r50_fpn.py',
    '../_base_/datasets/coco_detection.py',
    '../_base_/schedules/schedule_1x.py',
    '../_base_/default_runtime.py'
]

（2）修改数据集配置

打开 ./configs/base/datasets/coco_detection.py，修改数据集的路径 data_root、ann_file、img_prefix，重复次数 times，并添加标签类别 classes。注意classes中如果只有一类，后面加个逗号：

dataset_type = 'VOCDataset'
data_root = 'data/VOCdevkit/MyDataset/'
classes = ('Car', 'Pedestrian', 'Cyclist')

data = dict(
    train=dict(
        type='RepeatDataset',
        times=1,
        dataset=dict(
            type=dataset_type,
            ann_file=data_root + 'ImageSets/Main/train.txt',
            img_prefix=data_root,
            pipeline=train_pipeline,
            classes=classes)),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'ImageSets/Main/val.txt',
        img_prefix=data_root,
        pipeline=test_pipeline,
        classes=classes),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'ImageSets/Main/test.txt',
        img_prefix=data_root,
        pipeline=test_pipeline,
        classes=classes))

（3）修改模型架构配置

打开 ./configs/base/models/faster_rcnn_r50_fpn.py，修改 roi_head 的类别个数 num_classes：

model = dict(
    type='FasterRCNN',
    pretrained='torchvision://resnet50',
    
    roi_head=dict(
        type='StandardRoIHead',
        bbox_roi_extractor=dict(
            type='SingleRoIExtractor',
            roi_layer=dict(type='RoIAlign', output_size=7, sampling_ratio=0),
            out_channels=256,
            featmap_strides=[4, 8, 16, 32]),
        bbox_head=dict(
            type='Shared2FCBBoxHead',
            in_channels=256,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=3,
            bbox_coder=dict(
                type='DeltaXYWHBBoxCoder',
                target_means=[0., 0., 0., 0.],
                target_stds=[0.1, 0.1, 0.2, 0.2]),
            reg_class_agnostic=False,
            loss_cls=dict(
                type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
            loss_bbox=dict(type='L1Loss', loss_weight=1.0))))

注意：
MMDetection 2.0 后的版本，类别个数不需要加 1。
（4）修改训练计划配置

打开 ./configs/base/schedules/schedule_1x.py，修改学习率 lr 和迭代轮数 total_epochs：

# optimizer
optimizer = dict(
    type='SGD',
    lr=0.02 / 8,
    momentum=0.9,
    weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
# learning policy
lr_config = dict(
    policy='step',
    warmup='linear',
    warmup_iters=500,
    warmup_ratio=0.001,
    step=[7])
total_epochs = 8

Tips:
Faster R-CNN 的默认学习率 lr=0.02 对应批大小 batch_size=16。
因此需要根据实际情况，按比例缩放学习率。

batch\_size = num\_gpus \times samples\_per\_gpu
lr = 0.02 \times (batch\_size / 16)

（5）修改运行信息配置

打开 ./configs/base/default_runtime.py修改 log_config 的日志记录间隔 interval，并开启 TensorBoard 记录器：

log_config = dict(
    interval=100,
    hooks=[
        dict(type='TextLoggerHook'),
        dict(type='TensorboardLoggerHook')
    ])

（6）创建自定义配置
另外，也可以将上面步骤 1-5 修改的配置写在一个文件中。这样就能够更方便地管理不同的配置文件，避免因频繁修改导致出错。
打开 configs 目录：

cd configs

新建自定义配置目录：

mkdir myconfig

在 ./myconfig 目录下，新建 faster_rcnn_r50_fpn_1x_mydataset.py：

# 修改基础配置
_base_ = [
    '../_base_/models/faster_rcnn_r50_fpn.py',
    '../_base_/datasets/coco_detection.py',
    '../_base_/schedules/schedule_1x.py',
    '../_base_/default_runtime.py'
]

# 修改数据集配置
dataset_type = 'CocoDataset'
data_root = '/home/pv/Data/GETURE/Geture_detector/img_opt_augement/'
classes = ('hand',)

img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadAnnotations', with_bbox=True),
    dict(type='Resize', img_scale=(448,448), keep_ratio=True),
    dict(type='RandomFlip', flip_ratio=0.5),
    dict(type='Normalize', **img_norm_cfg),
    dict(type='Pad', size_divisor=32),
    dict(type='DefaultFormatBundle'),
    dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels']),
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(
        type='MultiScaleFlipAug',
        img_scale=(1333, 800),
        flip=False,
        transforms=[
            dict(type='Resize', keep_ratio=True),
            dict(type='RandomFlip'),
            dict(type='Normalize', **img_norm_cfg),
            dict(type='Pad', size_divisor=32),
            dict(type='ImageToTensor', keys=['img']),
            dict(type='Collect', keys=['img']),
        ])
]

data = dict(
    train=dict(
            type=dataset_type,
            ann_file=data_root + 'train.json',
            img_prefix=data_root + 'train',
            pipeline=train_pipeline,
            classes=classes),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'val.json',
        img_prefix=data_root + 'val',
        pipeline=test_pipeline,
        classes=classes))
    # test=dict(
    #     type=dataset_type,
    #     ann_file=data_root + 'ImageSets/Main/test.txt',
    #     img_prefix=data_root,
    #     pipeline=test_pipeline,
    #     classes=classes))

# 修改模型架构配置
model = dict(
	type='FasterRCNN',
    roi_head=dict(
		type='StandardRoIHead',
        bbox_roi_extractor=dict(
            type='SingleRoIExtractor',
            roi_layer=dict(type='RoIAlign', output_size=7, sampling_ratio=0),
            out_channels=256,
            featmap_strides=[4, 8, 16, 32]),
        bbox_head=dict(
			type='Shared2FCBBoxHead',
            in_channels=256,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=1,
            bbox_coder=dict(
                type='DeltaXYWHBBoxCoder',
                target_means=[0., 0., 0., 0.],
                target_stds=[0.1, 0.1, 0.2, 0.2]),
            reg_class_agnostic=False,
            loss_cls=dict(
                type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
            loss_bbox=dict(type='SmoothL1Loss', beta=1.0, loss_weight=1.0)
        )))

# 修改训练计划配置
# optimizer
optimizer = dict(lr=0.02 / 8)
# learning policy
lr_config = dict(
    warmup=None,
    step=[7])
total_epochs = 8

# 修改运行信息配置
log_config = dict(
    interval=100,
    hooks=[
        dict(type='TextLoggerHook'),
        dict(type='TensorboardLoggerHook')
    ])

load_from = "/home/pv/MMDetector/mmdetection-master/work_dirs/faster_rcnn_r50_fpn_coco/latest.pth"

参考：MMDetection中文文档—详解
官网
MMDetection 2.5 目标检测（3）：配置修改

xiaoxi___0818
关注
专栏目录
【38】开源算法库mmdetection的安装与使用
Clichong
05-16 1563
如有错误，恳请指出。 文章目录1. MMDetection的安装2. MMDetection的使用2.1 官方demoImage推理Video推理Webcam推理2.2 实践测试 OpenMMLad有一系列的开源算法库，包含分类，检测，分割等等计算机视觉的任务，这篇博客用来简单记录一下其开源的检测算法库的安装与使用过程。 1. MMDetection的安装 安装mmdetection的过程不算复杂，主要是需要选择其开发的openmim安装套件，是一个自动安装依赖项的工具。而创建虚拟环境那些就不提及了，.
mmdetection3d简单安装（官方教程就是坑）
hungita的博客
08-30 3250
所有的Python包安装不确定对应的版本就是坑，本教程教您少安装mmdetection3d闭坑。
mmdetection学习&训练测试自己的数据集
acsuperman的博客
10-21 1万+
一、本机使用环境 商汤科技和香港中文大学联合开源的深度学习目标检测工具箱mmdetection源码地址 Ubuntu16.04 Cuda9.0 + cudnn7.5 Python3.6 GCC 7.2 Anaconda3 二、环境配置 官方配置教程（建议按此教程进行） 1.使用conda创建虚拟环境 conda create -n mmdetection python=3.6...
【目标检测】手把手教你如何使用MMDetection训练自己的数据集
最新发布
CV在读
09-04 2252
参考 ： MMDetection全流程实战指南：手把手带你构建目标检测模型 2. 安装GPU版本的PyTorch 这里如果安装失败了需要去官网 pytorch官网 找对应的版本下载；先输入nvidia-smi命令查看可下载的cuda的最高版本 我的可下载的最高CUDA版本为12.0，因此我选择11.8的这个下载命令进行下载 下载后进行检验是否安装成功 可以看到输出为true，安装成功。使用 OpenMMLab 推出的 MIM 来安装 MMEngine 和 MMCV 两个必要的库。 至此，需要下载的包就
MMdetection安装使用（1）
xiaobumi123的博客
01-14 441
1，环境（自己） ubuntu18.04 cuda10.1 cudnn10.1-v7.6.5 opencv4.3.0 python3.8.6 annaconda 4.9.2 2.创建conda环境 conda create -n open-mmlab-py37 python=3.7 -y conda activate open-mmlab-py37 3.安装pytorch和torchvision # CUDA 10.1 conda install pytorch==1.6.0 torc
MMDetection新手安装使用教程（无限踩坑）
m0_51951660的博客
06-15 1万+
MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目，它基于Pytorch实现了大量的目标检测算法，例如fast_rcnn,frater_rcnn,detr等算法。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，本文主要介绍了mmdetection的安装以及采用标准COCO数据集的使用过程，后续如果读者需要，也会介绍自己数据集的制作以及利用mmdetection中的模型进行训练和测试。
【Linux】中南高性能计算平台配置mmdetection 2.10（cuda10.1）
qq_39165617的博客
04-24 420
配置mmdetection说明解决1. 按照cuda10.12. 安装cudnn3. 环境变量修改4.安装mmdetection其它记录 说明 原HPC的cuda为10.0版本，因此最新只能装torch1.4，然而在安装mmdetection2.10后，一直报错，无论是升级gcc还是重新安装mmdet和mmcv-full都不能正常运行。报错为RuntimeError: nms is not compiled with GPU support (nms at ./mmcv/ops/csrc/pytorch/n
mmdetection的使用
dejahu的博客
08-11 4485
mmdetection的使用 官方文档：Welcome to MMDetection’s documentation! — MMDetection 2.15.0 documentation 配置教程：windows下安装mmdetection_dejahu的博客-CSDN博客 mmdetection进行目标检测实验时，需要下载好预训练的模型以及设置好相应的配置文件，配置文件中主要是设置一些学习率还有anchor，因为是继承的关系，所以直接加载原有的配置文件，在原有的配置文件上进行修改即可。关键在于数据集
mmdetection安装教程
Echo_Code的博客
01-25 1944
文章目录一、mmdetection是什么？二、具体安装过程2.1 在anaconda中创建环境2.2 安装基础依赖2.3 安装mmdetection三、测试mmdetection 是否安装完毕总结 一、mmdetection是什么？ mmdetection 是一个基于 PyTorch 的开源对象检测工具箱，它提供了已公开发表的多种视觉检测核心模块，通过这些模块的组合，可以迅速搭建出各种著名的检测框架。 二、具体安装过程 2.1 在anaconda中创建环境 1、创建一个conda虚拟环境 conda cre
mmdetection2.6+mmcv_full-1.1.5+torch1.6.0+cu101-cp37-cp37m-win_amd64.rar
04-21
6. **验证安装**：安装完成后，你可以通过运行一个简单的示例来测试mmdetection是否工作正常。例如，使用预训练模型进行物体检测，这通常涉及到`tools/train.py`和`tools/test.py`脚本。 7. **训练和测试**：mm...
mmdetection v2.2.1.tar.gz
11-02
**mmdetection v2.2.1：深度学习目标检测框架详解** ...总的来说，mmdetection v2.2.1 提供了一个强大而全面的目标检测平台，对于研究人员和开发者来说，它是一个宝贵的工具，能够加速目标检测领域的研究和开发进程。
MMdetection安装
Maggie's blog
11-25 502
MMdetection安装
【目标检测】从头到尾教你安装MMDetection（超详细版本）
热门推荐
wzk4869的博客
11-10 2万+
【目标检测】从头到尾教你安装MMDetection（超详细版本）
MMDetection的安装
ldtxinkai的博客
10-28 2630
MMDetection具体的安装步骤
MMDetection框架入门教程之环境部署
pengxiang1998的博客
12-30 711
另外，当前（2021.10.23）MMCV最新仅支持到pytorch-1.9，安装最新的pytorch1.10会导致MMDetection无法使用，因此安装的时候需要指定pytorch版本为1.9。MMCV有两mmcv-full和mmcv两个版本，两者差别在于是否包含CUDA操作，如果不需要使用CUDA可以安装mmcv，不过官方还是推荐安装完整版的mmcv-full。这个时间可能会很漫长，耐心等待即可，安装完成后进行测试，看pytorch是否可用。将文件下载后打开，选择我们创建好的环境。
【mmdetection】mmdetection安装详细步骤
叶子的博客
06-05 1万+
【mmdetection】mmdetection安装详细步骤
（linux系统下）MMCV及MMClassification教程及安装问题解决
weixin_63701570的博客
03-31 2779
超详细小白一步一步教你安装mmcv及mmclassification以及出现问题的详细解决方案！
MMDeteceion V3版之系列一（环境安装、模型测试、训练以及模型后处理工具）
qq_41627642的博客
05-06 7835
1、MMDeteceion初识 MMDetection是一款优秀的基于PyTorch的深度学习目标检测工具箱，由香港中文大学(CUHK)多媒体实验室(mmlab)开发。基本上支持所有当前SOTA二阶段的目标检测算法，比如faster rcnn，mask rcnn，r-fcn，Cascade-RCNN等。读者可在 PyTorch 环境下测试不同的预训练模型及训练新的检测分割模型。 根据 GitHub 项目所述，MMDetection的主要特征可以总结为以下几个方面： 模块化设计：将检测或者分割任务分解成几个模
MMDetection系列 | 5. MMDetection运行配置介绍
Clichong
09-17 4233
开门见山，基于mmdet的官方文档直接介绍如何进行我们的运行配置。个人觉得，继承于`default_runtime.py`这个文件之后，主要需要自己稍微更改下的配置主要有7个，分别是：**优化器配置、学习率配置、工作流程配置、检查点配置、日志配置、评估配置、训练设置**。具体的配置流程如下所示。 如果需要其他钩子函数的实现与配置，具体可以查看参考资料1.
MMDetection技术文档：安装与使用指南
1. **安装**：MMDetection的安装过程分为几个步骤，包括安装必要的依赖库、下载并安装MMDetection代码库，以及选择使用Docker镜像进行快速部署。此外，文档还提供了从头开始的设置脚本，以帮助用户更轻松地配置环境...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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