mmdetection 使用
1. 准备工作目录
我们的工作目录，也就是 mmdetection 目录，如下所示：
1 | |
- configs就是我们的配置文件，里边包含所有的文件。
- data就是我们的数据集文件，文件目录如上。
- mmdet是我们所需要修改的目录。
- tools是我们的mmdetection提供的工具箱，里边包含我们要用的训练和测试文件。
2. 修改mmdetection模型的配置
查找配置文件
选择你要训练的模型对应的配置文件修改，假如我要训练的模型是mask_rcnn_r101_fpn_2x_coco.py，打开configs/mask_rcnn/mask_rcnn_r101_fpn_2x_coco.py，然后跟着 _base_ 一直往下找，最后找到,这就是它所有的配置文件：
这个文件不修改，主要查看哪些文件需要修改及其位置
1 | |
图片尺寸
修改下面文件里的img_scale=(1333, 800)，改成小一点的数值。三个文件都要改（这句话存疑，我试的时候只用改第一个）
1 | |
batch_size
batch_size 没有单独的地方进行配置，不过mmdetection 有自己的计算规则，如下
1 | |
上述参数在文件中：
1 | |
“imgs_per_gpu” is deprecated in MMDet V2.0. Please use “samples_per_gpu” instead
修改学习率lr，训练次数max_epochs
修改学习率lr，以及训练次数 max_epochs(依照自己电脑配置)
1 | |
配置文件中的默认学习率0.2是8个gpu和2个img/gpu(batch size=16)。根据线性缩放规则，如果您使用不同的GPU数目或img/gpu，您需要设置与batch size成比例的学习率。例如，如果4GPUs * 2 img/gpu的lr=0.01，那么16GPUs * 4 img/gpu的lr=0.08。比如你一块GPU，就应该设置为原来的1/8。
batch_size = gpu_num(训练使用gpu数量) * imgs_per_gpu
lr = 0.00125*batch_siz
类别数量
(1)修改文件里的 num_classes=80 ，修改成自己的类别数目。
1 | |
(2)修改我们的类别名，两个文件需要修改，第一个文件是：
1 | |
修改里边的def coco_classes(): ，将return内容修改成自己的类别。
第二个文件：
1 | |
修改里边的class CocoDataset(CustomDataset): ，将 CLASSES = () 修改成自己的类别。
修改完类别后一定要重新编译，否则可能会出现错误
至此，修改结束，我们还需要重新编译一遍，这样才能生效，在我们的mmdetection目录下运行：
1 | |
否则会遇到bug：你指定的类别（3种）与CocoDataset的类别（80种）不匹配
1 | |
如果编译后还是失败，可以先删掉mmdetection，重新下载修改再编译。我之前也遇到编译后出错，重新下载一次就解决了。
还有一种方法，未测试
1 | |
3. 训练
训练参数
1 | |
- –work-dir：指定训练保存模型和日志的路径
- –resume-from：从预训练模型chenkpoint中恢复训练
- –no-validate：训练期间不评估checkpoint
- –gpus：指定训练使用GPU的数量（仅适用非分布式训练）
- –gpu-ids： 指定使用哪一块GPU（仅适用非分布式训练）
- –seed：随机种子
- –deterministic：是否为CUDNN后端设置确定性选项
- –options： arguments in dict
- –launcher： {none,pytorch,slurm,mpi} job launcher
- –local_rank： LOCAL_RANK
- –autoscale-lr： automatically scale lr with the number of gpus
示例：
1 | |
- configs/mask_rcnn/mask_rcnn_r101_fpn_2x_coco.py 就是我们要训练的模型
- 2 是我们的GPU数目
模型训练过程中修改
0 直接修改 config 中对应的配置，然后重新运行
直接修改 config 中对应的配置，然后重新运行
1 修改临时生成的配置文件，然后运行时指定该配置文件
- 刚开始训练时，会在你的mmdetection目录下自动生成一个work_dirs文件夹，里边包含你模型的配置文件：
1 | |
官方给的配置文件中所有参数的解释说明：mmdetection-readthedocs-io-zh_CN-latest.pdf
一般我们进行修改的就是下面这些：
1 | |
- 修改完配置文件，再训练时训练语句指定的配置文件就是刚刚修改的，也就是work_dirs目录下面的
1 | |
中断之后加载之前的模型接着训练
0 使用运行命令直接加载 （可用）
训练时带上参数 --resume-from, 训练时会自动从 checkpoint 开始训练，也就是接着模型保存的位置开始训练。
1 | |
1 使用上述模型训练过程中修改 修改 resume_from 参数，然后重新训练
修改参数可以在两个地方修改：
- 修改临时生产的配置文件，在 work_dir 文件找到本次运行的配置文件，修改
resume_from参数，然后重新训练 - 直接修改配置文件。修改
../_base_/default_runtime.py中resume_from参数，然后重新训练
4. 模型测试
生成测试结果
1 | |
命令参数：
config_file：模型配置文件的路径checkpoint_file：模型检查点文件的路径gpu_num：使用的GPU数量--out：设置输出pkl测试结果文件的路径--work-dir：设置存放json日志文件的路径--eval：设置度量指标（voc：mAP,recall|coco：bbox,segm,proposal）--show：设置显示有预测框的测试集图像--show-dir：设置存放有预测框的测试集图像的路径--show-score-thr：设置显示预测框的阈值，默认值为0.3--fuse-conv-bn: 设置融合卷积层和批归一化层，能够稍微提升推理速度
示例
1 | |
- configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py：是模型文件
- ./work_dirs/faster_rcnn_r50_fpn_1x_coco/latest.pth：是我们自己训练保存的模型
- ./result.pkl：生成一个result.pkl文件，大小1.2M，该文件中会保存各个类别对应的信息，用于计算APwenj
测试结果文件评估 eval_metric.py
1 | |
命令参数：
config_file：模型配置文件的路径pkl_results：pkl测试结果文件的路径--eval：设置度量指标（voc：mAP,recall|coco：bbox,segm,proposal）
示例
1 | |
测试结果文件评估 robustness_eval.py
命令格式：
1 | |
命令参数：
pkl_results：pkl测试结果文件的路径--dataset：设置数据集类型（voc,coco,cityscape），默认值为coco--task: 设置任务类型（voc：bbox|coco：bbox,segm），默认值为bbox--metric：设置度量指标（voc：AP50|coco：AP,AP50,AP75,APs,APm,APl,AR1,AR10,AR100,ARs,ARm,ARl）
测试 AP(有点问题)：
1 | |
测试鲁棒性test_robustness.py
1 | |
命令参数：
config_file：模型配置文件的路径checkpoint_file：模型检查点文件的路径--out：设置输出pkl测试结果文件的路径--eval：设置度量类型（voc：bbox|coco：proposal,proposal_fast,bbox,segm,keypoints）--corruptions：设置图像损坏类型（all,benchmark,noise,blur,weather,digital,holdout,None），默认值为benchmark--severities：设置图像损坏程度（0,1,2,3,4,5），默认值为0 1 2 3 4 5--iou-thr：设置voc评估的IoU阈值，默认值为0.5--show：设置显示有预测框的测试集图像--show-dir：设置存放有预测框的测试集图像的路径--show-score-thr：设置显示预测结果的阈值，默认值为0.3--seed：设置随机种子，便于复现结果
示例：
1 | |
4 工具箱
4.1 日志分析
绘制学习曲线
命令格式：
1 | |
命令参数：
plot_curve：绘制曲线，该参数后跟的是训练保存的json文件json_logs：json日志文件的路径--keys：设置度量指标（acc,loss,loss_cls,loss_bbox,mAP, etc.）--title：设置曲线标题--legend：设置曲线图例--backend：设置后端--style：设置风格--out：设置输出jpg绘制曲线文件的路径，可以保存成png图片，也可以保存成pdf
示例：
1 | |
计算训练时间
命令格式：
1 | |
命令参数：
cal_train_time：计算训练时间json_logs：json日志文件的路径
示例：
1 | |
计算模型复杂度
命令格式：
1 | |
命令参数：
config_file：模型配置文件的路径--shape：输入图像尺寸，默认值为1280 800
示例：
1 | |
4.2 结果分析
命令格式：
1 | |
命令参数：
config：模型配置文件的路径prediction_path：pkl预测结果文件的路径show_dir：设置存放有预测框的图像文件的路径--show：设置显示有预测框的图像--wait-time：设置图像显示间隔时间，默认值为0(s)--topk：设置需要保存预测图像的数量，默认值为20--show-score-thr：设置显示预测结果的阈值，默认值为0
示例：
1 | |
4.3 误差分析
命令格式：
1 | |
命令参数：
result：json预测结果文件的路径out_dir：设置输出分析结果文件的路径--ann：json标注文件的路径，默认值为data/coco/annotations/instances_val2017.json--types：设置预测结果类型，默认值为bbox
示例：
1 | |
4.4 其他
浏览训练集图像
命令格式：
1 | |
命令参数：
config_file：模型配置文件的路径--output-dir：设置输出有标注框的训练集图像的路径--show-interval：设置图像显示间隔时间，默认值为2(s)
示例：
1 | |
Tips:
如果需要使用GUI，来浏览有预测框的图像文件，可下载 DetVisGUI。
打印完整配置
命令格式：
1 | |
命令参数：
config_file：模型配置文件的路径
示例：
1 | |
训练过程各种损失值和准确率可视化效果
tensorboard
开启tensorboard，记得在config配置文件里将dict(type=’TensorboardLoggerHook’)注释取消掉
在新的终端中执行如下命令：
1 | |
本地跑mmdetection的话直接在PC的浏览器上输入如下链接 http://127.0.0.1:16006
mmdetection 使用
https://flepeng.github.io/ml-目标检测开源神器-mmdetection-使用/