使用MMDetection3.x训练自定义数据集和类别

Posted 2022-12-19 Arrow

使用MMDetection3.x训练自定义数据集和类别

• 1. 安装
• 2. 训练
• • 2.1 准备数据和配置文件
  • 2.2 训练
  • 2.3 测试
• 3. 评价指标 (Evaluation Metrics)
• • 3.1 目标检测评估（ Detection Evaluation）
  • • 3.1.1 计算Precision和Recall
    • 3.1.2 通过P-R曲线计算AP
  • 3.2 COCO上物体检测器的性能指标 (12个）
  • 3.3 MMDetection训练输出评价值

1. 安装

• 参考
• 数据格式转换工具箱

2. 训练

2.1 准备数据和配置文件

• 参考

2.2 训练

• 训练方式一

python tools/train.py configs/balloon/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon.py

• 会出现如下错误, 且生成的.pth文件不能检测到balloon, 原因是lr太大
  

• 训练方式二

python tools/train.py configs/balloon/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon.py --auto-scale-lr

2.3 测试

• 测试图片集并对比显示

python tools/test.py configs/balloon/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon.py work_dirs/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon/epoch_12.pth --show

• 测试图片并保存结果

python demo/image_demo.py data/balloon/val/test.jpg configs/balloon/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon.py work_dirs/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon/epoch_12.pth --out-file 1.jpg

3. 评价指标 (Evaluation Metrics)

3.1 目标检测评估（ Detection Evaluation）

• 基于2分类的指标如下：

  • Recall 召回率（查全率）： 所有真实目标中，模型预测正确的目标比例，其公式为：$$Recall=tpr=TP/(TP+FN)$$

  • Precision 精确率（查准率）：模型预测的所有目标中，预测正确的比例，其公式为：$$Precision=TP/(TP+FP)$$

  • Accuracy：准确率。正确分类（正例分为正例，负例分为负例）的样本数除以所有的样本数，正确率越高，分类器越好。其公式为：$$Accuracy=（TP+TN）/(TP+TN+FP+FN)$$
    

  • FP (False Positive)：IoU<=0.5时的检测框（或者是检测到同一个GT的多余检测框的数量）

    • 误报，即负例中识别为正例的样本。其中在计算roc曲线的时候需要fpr = FP / (FP + TN)

  • FN (False Negative)：没有检测到的GT的数量 (漏检)

  • TP (True Positive)：IoU>0.5的检测框数量（同一Ground Truth只计算一次）

  • TN (True Negative)

  • IOU (Intersection-Over-Union)：交并比（交集与并集的比值）

  • AP：P-R曲线下面积

  • P-R曲线：Precision-Recall曲线

  • mAP：mean Average Precision，即各类别AP的平均值 (每个类别有一个AP)

3.1.1 计算Precision和Recall

• 计算Precision和Recall, Rank为1表示Confidence不小于0.98的才视为正确检测出来，即Confidence取不同的阈值所得到的Precision和Recall，参考目标检测mAP计算以及coco评价标准

• 计算一类物体的AP
  
  

3.1.2 通过P-R曲线计算AP

3.2 COCO上物体检测器的性能指标 (12个）

指标	描述
Average Precision (AP):
AP	% AP at IoU=0.50:0.05:0.95 (primary challenge metric) IoU从0.5到0.95，间隔为0.05，总共10个IoU(0.5, 0.55, 0.60, …, 0.90, 0.95)， 对于每个IoU计算一个AP，再取这10个AP的均值
$A{P}^{IoU=.50}$	% AP at IoU=0.50 (PASCAL VOC metric)
$A{P}^{IoU=.75}$	% AP at IoU=0.75 (strict metric)
AP Across Scales:	对不同尺度目标的检测效果
$A{P}^{small}$	% AP for small objects: $area<32^2$
$A{P}^{medium}$	% AP for medium objects: $32^2<area<96^2$
$A{P}^{large}$	% AP for large objects: $area>96^2$
Average Recall (AR):
$A{R}^{max=1}$	% AR given 1 detection per image
$A{R}^{max=10}$	% AR given 10 detections per image
$A{R}^{max=100}$	% AR given 100 detections per image 通过NMS之后，每个图像最多预测100个目标
AR Across Scales:
$A{P}^{small}$	% AR for small objects: $area<32^2$
$A{P}^{medium}$	% AR for medium objects: $32^2<area<96^2$
$A{P}^{large}$	% AR for large objects: $area>96^2$

• area：测量的面积（area）是分割掩码（segmentation mask）中的像素数量

3.3 MMDetection训练输出评价值

• 训练过程中的输出值

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.561
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=1000 ] = 0.757
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=1000 ] = 0.681
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.475
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.629
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.614
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=300 ] = 0.614
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=1000 ] = 0.614
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.508
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.683

• 第1行：COCO数据集评价指标，即mAP
• 第2行：PASVOC数据集评价指标，即IoU=0.5时的mAP
• 第3行：IoU=0.75 相比0.50是比较严格的一个指标
• 第4行：检测小目标的的指标
• 第5行：检测中等目标的
• 第6行：检测大目标的指标
• 第7行：设置目标检测框只有100个
• 第8行：设置目标检测框有300个
• 第9行：设置目标检测框有1000个 （从上图看，100个、300个和1000个的指标值差不多）