MMdetection3.x个人笔记

1.在自定义数据集用训练出的权重进行可视化推理

input(jpg文件) + model_config 这两个可以不用加前面的形参

然后用 \ 隔开 写上 --weight= 'xx.pth'

python demo/image_demo.py data/coco_duck/train2017/10640.jpg  work_dirs/solov2_r50_fpn_1x_coco/solov2_r50_fpn_1x_coco.py \--weight=work_dirs/solov2_r50_fpn_1x_coco/best_coco_segm_mAP_epoch_20.pth

2.训练自定义数据集

以coco格式数据集为例

2.1首先组织数据集：

train2017和val2017放图片，根据标签放，用脚本一键生成的

2.2修改对应的datasets

找到configs/_base_/datasets/coco_instance.py（这个做的是实例分割，修改这个文件）

如果做目标检测就修改configs/_base_/datasets/coco_detection.py

其他情况类似，也可忽略这一步，在后面生成的综合config中修改

主要是修改数据集路径

2.3修改标签

修改mmdet/evaluation/functional/class_names.py

找到里面的coco_classes进行修改，把标签名字换成自定义的数据集标签

修改mmdet/datasets/coco.py

2.4设置自动保存最佳权重和验证间隔，以及默认训练epoch

找到configs/_base_/default_runtime.py

我现在是单卡3090，只能用1x，修改configs/_base_/schedules/schedule_1x.py

2.5换主干（可选）

2.6生成work_dir和config

在config中找到需要的模型，然后直接run

python +tools/train.py  + 你选择的模型config

以solov2为例

注意这里的_base_，分别代表数据集，训练用的卡（单/分布式），训练策略

根据任务来，如果是目标检测，那

../_base_/datasets/coco_instance.py应该换成../_base_/datasets/coco_detection.py

另外两个类似

运行

python tools/train.py configs/solov2/solov2_r50_fpn_1x_coco.py

在根目录会生成一个work_dir文件夹

里面会有一个集成了所有配置的模型config

修改这个config的num_class以及其他你想修改的train/val设置

2.7正式训练

 python tools/train.py work_dirs/solov2_r50_fpn_1x_coco/solov2_r50_fpn_1x_coco.py