mmdetection训练自己的COCO数据集

Posted 2021-09-04 啊～小 l i

训练前的准备

1. 训练数据的导入
   将自己的COCO数据集放入到下载的mmdetection的源码里，（如果没有data文件夹需要新建）data -> COCO -> 你的COCO数据集
   文件格式如下：

mmdetection
├── mmdet
├── tools
├── configs
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── train2017
│   │   ├── val2017

2. 配置的修改
   1. configs/_base_/datasets
      • coco_detection.py
      • coco_instace.py
      • coco_instace_semantic.py
        修改里面的img_scale=(,)：输入图片的最大长度和最小长度（GPU显存不够可以适量改动，上述的三个.py文件都要改）
   2. configs/_base_/models
      选择你需要的模型对应的配置文件进行修改
      修改的内容为：numclasses=**,修改为你自己训练时候的数据集的种类的个数（分类的个数）。
   3. 修改自己的COCO数据集的类别
      mmdet/evaluation/classnames.py
      def coco_classes():替换为自己的数据分类ID
      mmdet/datasets/coco.py
      class CoCoDataset(CustomDataset):替换为自己数据分类ID

准备训练

1. 进入tools/train.py进行训练
   使用语句运行代码python tools/train.py configs/mask_rcnn/你训练前的准备的第2步修改的配置文件 --gpus 1 --work-dir demo1_test
2. 一旦开始立即停止训练
   进入刚刚设置的工作空间进入新生成的配置文件，与你上一步使用的配置文件的名称一致
   找到log_config=dict(interval=50,hooks=....)
   interval=50：含义为每50此输出一次日志，不便于分析模型的训练情况，建议改小一些
3. 进行训练此时使用自己的配置文件
   使用语句运行代码python tools/train.py configs/mask_rcnn/你准备训练的第2步修改的配置文件 --gpus 1 --work-dir demo1_test
4. tools/analyze_logs.py
   运行代码可以将日志转化为折线图
   python tools/analuze_logs.py 日志的路径 --key loss_cls loss_bbox loss_mask
   还可以加上--out的配置，输出为jpg或者pdf

测试模型

1. tools/test.py
   执行语句python tools/test.py 你的配置文件 指定模型的配置文件 --show
   此时展示出来的是ID而不是名字

展示出名字的修改

1. 找到base.py
2. 找到show = Flase
   在下面插入

# id对应的名字
real_names = ['data1', 'data2',.......]

3. 找到class_names=self.CLASSES,修改为class_name=real_names,