MMDetection 入门基础

MMDetection 是商汤科技开源的一个深度学习框架，国内目标检测领域的翘楚；

相比于 Facebook 开源的 Detectron 框架，作者声称 MMDetection 有三点优势：performance 稍高、训练速度稍快、所需显存稍小。

低调哈，基操，皆坐，勿6，又被他装到了～

Github地址：https://github.com/open-mmlab/mmdetection

一、虚拟环境安装

cd ~
wget -c https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

一路回车

第一次提示输入 yes/no ：输入 yes

继续一路回车

第二次提示：输入 no

cd ~/miniconda3/bin
sudo chmod 777 activate

激活conda环境

. ./activate

添加公司内网源

conda config --add channels bioconda
conda config --add channels conda-forge

如果是外网添加外网源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/

如果要删除源

conda config --remove-key channels

二、安装依赖

1、创建虚拟环境

conda remove --name mmlab --all # 移除所有虚拟环境

conda create -n mmlab python=3.7

conda activate mmlab

2、安装 Pytorch

在mmlab虚拟环境中执行

pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

3、安装 MMCV

在mmlab虚拟环境中执行

pip install mmcv-full==1.3.3 -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.7.0/index.html -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

三、数据标注

标注之前需要先转换图片大小，并且以数字命名，每组命名递增

1、转换大小并重命名

rename_pic.py

import os
import sys
import cv2
import time
import getpass
username = getpass.getuser()

source_path = f"/home/{username}/Desktop/right_menu" # 图片路径

source_dest = os.path.join('/'.join(source_path.split("/")[:-1]), 'tmp')
if not os.path.exists(source_dest):
    os.mkdir(source_dest)

start_name = sys.argv[1]

file_name_list = list()
for file in os.listdir(source_path):
    if file.endswith('.png'):
        file_name_list.append(file)
start_name = int(start_name)
for file in file_name_list:
    os.rename(os.path.join(source_path,file), os.path.join(source_path, f"{str(start_name)}.png"))
    start_name += 1

time.sleep(1)

for file in os.listdir(source_path):
    image = os.path.join(source_path, str(file))
    src = cv2.imread(image)
    result = cv2.resize(src, (960, 540))
    resizeImage = os.path.join(source_dest, str(file))
    print(resizeImage)
    cv2.imwrite(str(resizeImage), result)
cv2.waitKey(0)
cv2.destroyAllWindows()

time.sleep(1)

os.system(f'rm -rf {source_path}/*')
os.system(f'mv {source_dest}/* {source_path}')
os.system(f'rm -rf {source_dest}')

print("下一个序号：", start_name)

根据终端输出的下一个序号的提示，执行 Python 文件的时候传参。

python rename_pic.py 249

2、工具标注

使用工具 labelImg 标注

sudo pip3 install PyQt5==5.13
sudo pip3 install labelImg

终端直接输入 labelImg，回车

标注模式选择：PascalVOC

四、拉取 MMDetection 代码

cd ~/Documents
git clone https://github.com/open-mmlab/mmdetection.git
# 不能直接拉取主分支，建议使用2.12版本，不同的版本对应的mmcv版本是不同的

五、拉取 voc2coco 代码

cd ~/Documents
git clone https://github.com/Tony607/voc2coco.git

六、转换 coco 数据集

将所有的图片和xml文件放入train2017，从中挑选几组放入val2017（测试集）

cd mmdetection/data/coco
python voc2coco.py train2017 annotations/instances_train2017.json
python voc2coco.py val2017 annotations/instances_val2017.json

生成json文件

七、修改配置

1、读取模型名称

import json

module_name = []
with open('./instances_train2017.json', "r+") as f:
    json_file = f.read()
json_dict = json.loads(json_file)
module_list = json_dict.get('categories')
for module_info in module_list:
    name = module_info.get('name')
    module_name.append(name)
print(module_name)
print("module_num:", len(module_name))

# 注意对比instances_train2017.json里面模型名称的顺序，与CLASSES和coco_classes里面的顺序保持一致。

2、修改 faster_rcnn_r101_2x_coco.py

mmdetection/xianjin/faster_rcnn_r101_2x_coco.py

修改46行，num_clasess的指，新增1个，就+1

3、修改 coco.py

mmdetection/mmdet/datasets/coco.py

CLASSES = ()，在里面添加模型名称

4、修改 class_names.py

mmdetection/mmdet/core/evaluation/class_names.py

coco_classes 里面添加模型名称

八、缓存清理

删除 mmdetection/build 目录

python setup.py install

九、训练模型

指定自己配置的训练模型

python tools/train.py xianjin/faster_rcnn_r101_fpn_2x_coco.py --gpus 1

查看训练结果的测试集结果

python tools/train.py xianjin/faster_rcnn_r101_fpn_2x_coco.py xianjin/epoch_24.pth --show

查看训练结果的准确度

python tools/analysis_tools/analyze_logs.py plot_curve xianjin/20210530_011907.log.json --keys acc

十、快捷操作

python run.py

run.py 整合了以上所有的操作。

声明：本站所有文章，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。-- mikigo

#MMDetection 入门基础

#一、虚拟环境安装

#二、安装依赖

#1、创建虚拟环境

#2、安装 Pytorch

#3、安装 MMCV

#三、数据标注

#1、转换大小并重命名

#2、工具标注

#四、拉取 MMDetection 代码

#五、拉取 voc2coco 代码

#六、转换 coco 数据集

#七、修改配置

#1、读取模型名称

#2、修改 faster_rcnn_r101_2x_coco.py

#3、修改 coco.py

#4、修改 class_names.py

#八、缓存清理

#九、训练模型

#指定自己配置的训练模型

#查看训练结果的测试集结果

#查看训练结果的准确度

#十、快捷操作