向AI轉型的程序員都關注了這個號????????????

人工智能大數據與深度學習 ?公眾號：datayx

香港中文大學-商湯科技聯合實驗室開源了基于 PyTorch 的檢測庫——mmdetection。商湯科技和港中大組成的團隊在 2018年的COCO 比賽的物體檢測（Detection）項目中奪得冠軍，而 mmdetection 正是基于 COCO 比賽時的 codebase 重構。

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

這個開源庫提供了已公開發表的多種視覺檢測核心模塊。通過這些模塊的組合，可以迅速搭建出各種著名的檢測框架，比如 Faster RCNN，Mask RCNN，R-FCN，RetinaNet ， Cascade R-CNN及ssd 等，以及各種新型框架，從而大大加快檢測技術研究的效率。

?

相比 FAIR 此前開源的 Detectron，mmdetection 有以下幾大優勢：

??? Performance 稍高
??? 訓練速度稍快：Mask R-CNN 差距比較大，其余的很小。
??? 所需顯存稍小: 顯存方面優勢比較明顯，會小 30% 左右。
??? 易用性更好: 基于 PyTorch 和基于 Caffe2 的 code 相比，易用性是有代差的。

與 mmdetection 一起開源的還有一個基礎庫——mmcv。mmcv 基礎庫主要分為兩個部分：一部分是和 deep learning framework 無關的一些工具函數，比如 IO/Image/Video 相關的一些操作；另一部分是為 PyTorch 寫的一套訓練工具，可以大大減少用戶需要寫的代碼量，同時讓整個流程的定制變得容易。項目倉庫地址為：https://github.com/open-mmlab/mmcv
建議也把mmcv倉庫下載到本地，方便后面debug的時候查看源碼。

1. 安裝文檔—手把手教你如何搭建MMDetection框架

https://zhuanlan.zhihu.com/p/101202864

2. 入門文檔—教你如何快速上手MMDetection

https://zhuanlan.zhihu.com/p/101212969

3. 基準和模型匯總—展示MMDetection上各個模型的準確率和使用方法

https://zhuanlan.zhihu.com/p/101216931

4. 技術細節—手把手教你如何實現一個新的網絡

https://zhuanlan.zhihu.com/p/101222759

mmdetection的configs中的各項參數具體解釋

https://zhuanlan.zhihu.com/p/102072353

目標檢測比賽中的tricks（已更新更多代碼解析）

https://zhuanlan.zhihu.com/p/102817180

環境安裝
1、安裝教程

最好按照官方倉庫的安裝說明進行，很多博客里面的安裝方法都或多或少有點小問題，可能是官方倉庫一直在更新但是博客沒有更新的緣故。官方安裝說明地址：https://github.com/open-mmlab/mmdetection/blob/master/INSTALL.md

簡單來說，該倉庫目前只支持在linux系統上運行，不支持window；PyTorch的版本要求為：PyTorch 1.0+ or PyTorch-nightly，且要根據其官網的安裝命令安裝，避免版本沖突問題。
2、運行demo測試環境是否安裝成功

因為博主之前使用別的博客的demo代碼的時候出現錯誤，找了半天不知道是什么原因，而當我好好看官方說明的時候才知道這個代碼在說明中有，而且已經更新過，所以為了保險期間，這里就不直接貼出代碼了，給地址你們自己去看。

測試的demo代碼地址為：https://github.com/open-mmlab/mmdetection/blob/master/GETTING_STARTED.md#high-level-apis-for-testing-images 。將代碼寫入py文件，并存放到mmdetection文件夾目錄下，然后運行。但是運行官方代碼的前提是你已經下載了相關模型的checkpoint的pth文件，并放在mmdetection文件夾目錄下的checkpoints文件夾下。官方提供的所有訓練好的pth模型文件下載地址都在MODEL_ZOO.md中。另外隨便照一張圖片重命名為test.jpg放到mmdetection目錄下就可以了。
三、訓練自定義的dataset

相信大家用這個mmdetection都不只是為了嘗嘗鮮試一下的吧，所以這里分享下我訓練自定義的數據集的過程記錄。

先給大家看一下我的整個mmdetection文件夾的內容。

1、準備dataset

需要說明的是官方提供的所有代碼都默認使用的是coco格式的數據集，所以不想太折騰的話就把自己的數據集轉化成coco數據集格式吧。各種類型數據轉coco格式腳本見：轉換工具箱 。我使用的是其中的labelme2coco.py文件，親測沒有問題。

制作好數據集之后，官方推薦coco數據集按照以下的目錄形式存儲：

其中，$COCO_ROOT需改為你的coco數據集根目錄

2、Training前修改相關文件

首先說明的是我的數據集類別一共有4個，分別是：‘Glass_Insulator’, ‘Composite_Insulator’, ‘Clamp’, ‘Drainage_Plate’。且我跑的模型是’configs/faster_rcnn_r50_fpn_1x.py’。

官方提供的代碼中都使用的是coco數據集，雖然我們自定義的數據集也已經轉換成coco標準格式了，但是像class_name和class_num這些參數是需要修改的，不然跑出來的模型就不會是你想要的。

一些博客例如這個,所提供的方法是按照官方給的定義coco數據集的相關文件，新建文件重新定義自己的數據集和類等，但是其實這是有風險的，我之前按照他們的方法走到最后發現會出現錯誤，所以最簡單便捷且保險的方法是直接修改coco數據集定義文件（官方也是這樣建議的）。

1、定義數據種類，需要修改的地方在mmdetection/mmdet/datasets/coco.py。把CLASSES的那個tuple改為自己數據集對應的種類tuple即可。例如：

4、在mmdetection的目錄下新建work_dirs文件夾

3、Training

展示下開始訓練的界面：
在這里插入圖片描述
訓練完之后work_dirs文件夾中會保存下訓練過程中的log日志文件、每個epoch的pth文件（這個文件將會用于后面的test測試）

四、Testing

有兩個方法可以進行測試。
1、如果只是想看一下效果而不要進行定量指標分析的話，可以運行之前那個demo.py文件，但是要改一下checkpoint_file的地址路徑，使用我們上一步跑出來的work_dirs下的pth文件。例如：

但是使用這個測試命令的時候會報錯，報錯的情況我也在官方庫的issue上提交了，可以查看我的error描述，看看與你的是否一致。

根據我的問題描述可以知道使用demo.py來測試是可以出結果的，但是會出現”warnings.warn('Class names are not saved in the checkpoint’s ’ "的警告信息。使用這一步的test命令的時候會報錯，程序中斷，但是其實問題是一致的，應該是訓練中保存下來的pth文件中沒有CLASSES信息，所以show不了圖片結果。因此需要按照下面的步驟修改下官方代碼才可以。

(1) 修改mmdetection/mmdet/tools/test.py中的第29行為：

此處的格式化輸出稱為檢測評價矩陣（detection evaluation metrics）。此處摘錄COCO數據集文檔中對該評價矩陣的簡要說明：

---

閱讀過本文的人還看了以下文章：

TensorFlow 2.0深度學習案例實戰

基于40萬表格數據集TableBank，用MaskRCNN做表格檢測

《基于深度學習的自然語言處理》中/英PDF

Deep Learning 中文版初版-周志華團隊

【全套視頻課】最全的目標檢測算法系列講解，通俗易懂！

《美團機器學習實踐》_美團算法團隊.pdf

《深度學習入門：基于Python的理論與實現》高清中文PDF+源碼

特征提取與圖像處理(第二版).pdf

python就業班學習視頻，從入門到實戰項目

2019最新《PyTorch自然語言處理》英、中文版PDF+源碼

《21個項目玩轉深度學習：基于TensorFlow的實踐詳解》完整版PDF+附書代碼

《深度學習之pytorch》pdf+附書源碼

PyTorch深度學習快速實戰入門《pytorch-handbook》

【下載】豆瓣評分8.1,《機器學習實戰:基于Scikit-Learn和TensorFlow》

《Python數據分析與挖掘實戰》PDF+完整源碼

汽車行業完整知識圖譜項目實戰視頻(全23課)

李沐大神開源《動手學深度學習》，加州伯克利深度學習（2019春）教材

筆記、代碼清晰易懂！李航《統計學習方法》最新資源全套！

《神經網絡與深度學習》最新2018版中英PDF+源碼

將機器學習模型部署為REST API

FashionAI服裝屬性標簽圖像識別Top1-5方案分享

重要開源！CNN-RNN-CTC 實現手寫漢字識別

yolo3 檢測出圖像中的不規則漢字

同樣是機器學習算法工程師，你的面試為什么過不了？

前海征信大數據算法：風險概率預測

【Keras】完整實現‘交通標志’分類、‘票據’分類兩個項目，讓你掌握深度學習圖像分類

VGG16遷移學習，實現醫學圖像識別分類工程項目

特征工程(一)

特征工程(二) :文本數據的展開、過濾和分塊

特征工程(三):特征縮放,從詞袋到 TF-IDF

特征工程(四): 類別特征

特征工程(五): PCA 降維

特征工程(六): 非線性特征提取和模型堆疊

特征工程(七)：圖像特征提取和深度學習

如何利用全新的決策樹集成級聯結構gcForest做特征工程并打分？

Machine Learning Yearning 中文翻譯稿

螞蟻金服2018秋招-算法工程師（共四面）通過

全球AI挑戰-場景分類的比賽源碼(多模型融合)

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

python+flask搭建CNN在線識別手寫中文網站

中科院Kaggle全球文本匹配競賽華人第1名團隊-深度學習與特征工程

不斷更新資源

深度學習、機器學習、數據分析、python

?搜索公眾號添加：?datayx??

---

機大數據技術與機器學習工程

?搜索公眾號添加：?datanlp

長按圖片，識別二維碼

總結

以上是生活随笔為你收集整理的mmdetection使用目标检测工具箱训练，测试的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。