[人工智能]【MMDetection】训练自己的数据集

MMDETECTION 使用步骤

1. 建立voc数据集
   参考链接：https://blog.csdn.net/weixin_42447868/article/details/105675158

2. 下载预训练权重
   建立mmdetection/checkpoints目录，下载对应的预训练权重,
   权重文件链接
   （1）configs对应网络里的README.md 进入后可以通过cfg文件验证对应的weight
   （2）https://mmdetection.readthedocs.io/zh_CN/v2.19./model_zoo.html#id2

3. 修改配置文件
   3.1mmdet/core/evalution/class_names.py #voc_classes 修改类别
   3.2mmdet/datasets/voc.py #一个类要加 逗号，修改类别
   3.3config/ base/models/faster_rcnn.py
   1.num_classes
   2.checkpoint=checkpoints/…pth #使用预训练模型，或者3.5.5load_from 中修改
   3.4config/ base/datasets/voc0712.py
   1.注释掉line41中，voc2012，
   2.修改训练、验证、测试 txt路径
   3.samples_per_gpu #每个gpu检测几张图片，显卡内存不足可以调小
   workers_per_gpu #使用几个线程
   4.修改图像尺寸 img_scale , 显卡内存不足可以调小
   5.pipeline 图像在线增强策略
   3.5config/default_runtime.py
   1.checkpoint_config #多少epoch 保存一次模型
   2.log_config #多少次迭代 输出一次日志
   3.hooks=[ dict(), dict(type=‘TensorboardLoggerHook’)] #使用tensorboard
   4.log_level #输出日志等级
   5.load_from # 加载lastest.pth 继续训练
   6.resume_from #断点继续训练
   tips：checkpoints、load_from、resume_from优先级：mmdet默认加载权重优先级别是resume_from(断点加 载)，load_from，pretrained的顺序，所以需要从load_from加载预训练权重
   3.6configs/schedule/schedule_1x.py #修改超参数
   3.7configs/fasterrcnn/fasterrcnn_r50_fpn_1x_coco.py
   修改路径 除了base外的注释掉
   4.需要重新编译 python setup.py install
   5.训练 ：参数文件，gpu，输出路径

python tools/train.py configs/faster_rcnn/....py --gpus 1 --work-dir WORK_DIR checkpoints/...pth

6.测试：参数文件，最近的权重文件，输出路径

python tools/test.py configs/faster_rcnn/...py work_dir/lastest.pth --show-dir output --out output/result.pkl

7.工具
7.1绘制结果曲线

python tools/analysis_tools/analyze_logs.py plot_curve workdir/~/888.log.json --keys loss lr --out loss.pdf

7.2过程可视化 前提： 3.5.3

tensorboard --logdir work_dirs/88/88/   #events的上一层目录

7.3测试结果评价 前提：测试命令加–out work_dirs/result.pkl

python tools/analysis_tools/eval_metric.py work_dirs/faster_rcnn_r50_fpn_1x_voc0712.py  output/result30.pkl --eval mAP
#测试时保存的pkl，测试时使用的配置文件,需要分析什么数据

tips:1.学习率策略

lr_config = dict(
    policy='step',                        # 优化策略
    warmup='linear',                      # 初始的学习率增加的策略，linear为线性增加
    warmup_iters=500,                     # 在初始的500次迭代中学习率逐渐增加
    warmup_ratio=1.0 / 3,                 # 起始的学习率
    step=[8, 11])                         # 在第8和11个epoch时降低学习率
————————————————
版权声明：本文为CSDN博主「藏云阁主」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/hajlyx/article/details/85991400

参考链接

https://bbs.huaweicloud.com/blogs/detail/198417
https://blog.csdn.net/H_Ben_Ben/article/details/120336630
https://blog.csdn.net/hajlyx/article/details/85991400
https://blog.csdn.net/weixin_36642958/article/details/96905866
https://blog.csdn.net/syysyf99/article/details/96574325