无锡网站制作的公司有哪些,wordpress的cute主题破解版,厦门亚龙网站建设,深圳网站制作大运软件小镇一、什么是mmdetection
商汤科技#xff08;2018 COCO 目标检测挑战赛冠军#xff09;和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection#xff0c;支持Faster-RCNN#xff0c;Mask-RCNN#xff0c;Fast-RCNN等主流的目标检测框架#…一、什么是mmdetection
商汤科技2018 COCO 目标检测挑战赛冠军和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection支持Faster-RCNNMask-RCNNFast-RCNN等主流的目标检测框架后续会加入Cascade-RCNN以及其他一系列目标检测框架。
二、mmdetection安装
本人安装环境
系统环境Ubuntu 20.04.2 LTS cuda版本11.7 torch版本1.8.1 torchvision版本0.9.1
(一)、安装pytorch
在配置环境之前建议先安装ANCONDA具体的安装方法自行百度一下吧安装完ANCONDA之后首先创建虚拟环境指令如下
conda create -n mmdetection python3.6 # 创建环境创建完成之后激活该虚拟环境
source activate mmdetection 在安装pytorch之前要先看什么版本的配置满足要求配置pytorch要求python以及torchvision版本要对应我们可以从离线网站上看配置要求http://download.pytorch.org/whl/torch_stable.html 以上图为例 cu110代表cuda11.0版本cp37代表python3.7大版本。linux_x86_64代表在linux系统上的配置 一般cuda的版本都是向下兼容的所以我们只需要将python 版本以及pytorch,cuda版本对应上即可。 找到好对应的版本之后从pytorch官网官网找到指令:https://pytorch.org/get-started/previous-versions/ 依照我自身的版本选择conda install pytorch1.8.1 torchvision0.9.1 torchaudio0.8.1 cudatoolkit10.2 -c pytorch指令即可自行安装。如果网速过慢或者下载失败则给conda换源即可具体换源方法自行百度。 安装完pytorch之后我们就可以安装mmdetection
(二)、安装mmdetection
第一步使用pip安装openmim直接运行如下指令
pip install -U openmim安装完openmim之后通过mim自动安装对应版本的mmcv-full
mim install mmcv-full安装完mmcv-full之后则可以在git仓库拉取源码了
git clone https://github.com/open-mmlab/mmdetection.git拉取之后切换到mmdetection根目录下
cd mmdetection安装附加库
pip install -v -e .
# 或者
python setup.py develop安装完成之后可以运行demo进行验证框架的可使用性。 下载配置文件以及权重文件
mim download mmdet --config yolov3_mobilenetv2_320_300e_coco --dest .下载完成后直接运行demo
python demo/image_demo.py demo/demo.jpg yolov3_mobilenetv2_320_300e_coco.py yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth --device cpu --out-file result.jpg运行成功后则会在根目录下生成result.jpg则环境搭建完成。
三、搭建完mmdetection之后就可以对自建数据集进行训练了
一、voc
1、首先根据规范的VOC数据集导入到项目目录下如下图所示
mmdetection ----mmdet ----tools ----configs ----data --------VOCdevkit ------------VOC2007 --------------- Annotations ---------------- JPEGImages ---------------- ImageSets ------------------------ Main ---------------------------- test.txt ---------------------------- trainval.txt ---------------------------- val.txt ---------------------------- test.txt 先在mmdetection目录下依次创建data、VOCdevkit、VOC2007文件夹嵌套关系如上再在VOC2007文件夹下按VOC格式存放自己的数据集Annotation存放检测框信息、JPEGImages存放要检测的图片这两个文件夹的名字一定不能修改ImageSets是放txt文件可以修改名字但是初次使用建议规范格式。 2、修改配置文件 mmdet/datasets/voc.py修改类别 3、 配置图片格式 mmdet/datasets/xml_style.py修改图片格式如果图片是jpg则改成jpg是png格式就改成png 4、mmdetection/mmdet/core/evaluation/class_names.py修改验证时的类别名称 只有一个类别的话需要改mmdetection/mmdet/datasets/xml_style.py 5、detect/mmdetection/configs/yolox/yolox_s_8x8_300e_coco.py 修改训练参数类别个数数据集格式以及路径 验证方式修改为voc下的map 输出日志的间隔 detect/mmdetection/mmdet/datasets/pipelines/loading.py 如果我们的图像后缀有jpg,JPG,png,bmp……所以在一开始创建数据txt时候就直接存了文件名在这一步的时候把后面填充的.jpg去掉。 6、增加训练指标(可选择不修改) mmdetection/mmdet/core/evaluation/mean_ap.py 也可以通过下列指令将VOC转换为COCO格式数据集进行训练
#数据集转换 在目录下创建data文件夹在目录C:\AI_Dataset\VOCtest_06-Nov-2007\VOCdevkit下必须存在VOC2007或者VOC2012文件夹
python .\tools\dataset_converters\pascal_voc.py \VOCdevkit --out-dir .\data --out-format coco 二、训练
1、单机单卡
python ./tools/train.py ./configs/yolox/yolox_s_8x8_300e_coco.py
二、单机多卡
./tools/dist_train.sh ./configs/yolox/yolox_s_8x8_300e_coco.py 8
# 也可以指定端口号
CUDA_VISIBLE_DEVICES0,1,2,3 PORT29500 ./tools/dist_train.sh ${CONFIG_FILE} 4
CUDA_VISIBLE_DEVICES4,5,6,7 PORT29501 ./tools/dist_train.sh ${CONFIG_FILE} 4
训练后会在mmdetection/work_dirs/yolox_s_8x8_300e_coco/ 下生成训练结果其中yolox_s_8x8_300e_coco.py为训练模型的配置文件20220705_155440.log 终端log文件20220705_155440.log.json json版本主要是之后可视化训练过程参数使用。
三、恢复训练
若中途中断训练可接上次训练结果继续训练或从之前某个epoch的模型直接开始训练
python ./tools/train.py ./work_dirs/yolox_s_8x8_300e_coco/yolox_s_8x8_300e_coco.py --auto-resume
python ./tools/train.py ./work_dirs/yolox_s_8x8_300e_coco/yolox_s_8x8_300e_coco.py --resume-from ./work_dirs/yolox_s_8x8_300e_coco/epoch_100.pth
三、测试
修改detect/mmdetection/mmdet/models/detectors/base.py 这是在txt文件下定义图片后缀的情况下需要修改 运行测试脚本将test.txt中的图像拿来测试效果image_test.py
from argparse import ArgumentParser
import os
from mmdet.apis import inference_detector, init_detector
import cv2def show_result_pyplot(model, img, result, score_thr0.3, fig_size(15, 10)):Visualize the detection results on the image.Args:model (nn.Module): The loaded detector.img (str or np.ndarray): Image filename or loaded image.result (tuple[list] or list): The detection result, can be either(bbox, segm) or just bbox.score_thr (float): The threshold to visualize the bboxes and masks.fig_size (tuple): Figure size of the pyplot figure.if hasattr(model, module):model model.moduleimg model.show_result(img, result, score_thrscore_thr, showFalse)return imgdef main():# config文件config_file [path]/mmdetection/work_dirs/yolox_s_8x8_300e_coco/yolox_s_8x8_300e_coco.py# 训练好的模型checkpoint_file [path]/mmdetection/work_dirs/yolox_s_8x8_300e_coco/epoch_100.pth# model init_detector(config_file, checkpoint_file)model init_detector(config_file, checkpoint_file, devicecuda:0,)# 图片路径img_dir [path]/data/JPEGImages/# 检测后存放图片路径out_dir [path]/mmdetection/work_dirs/yolox_s_8x8_300e_coco/images_test_result/if not os.path.exists(out_dir):os.mkdir(out_dir)# 测试集的图片名称txttest_path [path]/data/ImageSets/Main/test.txtfp open(test_path, r)test_list fp.readlines()count 0for test in test_list:test test.replace(\n, )test2test[:-4]name img_dir test .jpgcount 1print(model is processing the {}/{} images..format(count, len(test_list)))result inference_detector(model, name)img show_result_pyplot(model, name, result)cv2.imwrite({}/{}.jpg.format(out_dir, test2), img)if __name__ __main__:main()
四、可视化
1、可视化训练过程参数
(1)、训练过程的map
python ./tools/analysis_tools/analyze_logs.py plot_curve ./work_dirs/yolox_s_8x8_300e_coco/20220705_155440.log.json --keys mAP --out out2.jpg --eval-interval 10 (2)、训练过程的loss
python ./tools/analysis_tools/analyze_logs.py plot_curve ./work_dirs/yolox_s_8x8_300e_coco/20220705_155440.log.json --keys loss loss_cls loss_obj --out out1.jpg (2、可视化数据增强处理流程的结果
python ./tools/misc/browse_dataset.py --output-dir ./work_dirs/yolox_s_8x8_300e_coco/vis_pipeline/ ./work_dirs/yolox_s_8x8_300e_coco/yolox_s_8x8_300e_coco.py
3、开启tensorboard实时查看训练参数变化
mmdetection/configs/base/default_runtime.py 打开下面注释
五、异常处理
针对标注文件 .xml的没有 标签的情况 AttributeError: ‘NoneType‘ object has no attribute ‘text‘ 报错原因标注文件 .xml的没有的标签。difficlut表明这个待检测目标很难识别有可能是虽然视觉上很清楚但是没有上下文的话还是很难确认它属于哪个分类标为difficult的目标在测试成绩的评估中一般会被忽略下面举一个例子 种解决方法
1、可以查找.xml标注文件把没有difficlut标签的补上。 2、若标签数据非常多所有都添加上difficult的话非常耗时。如果数据没有特别难分的类别可以忽略这个标签在代码里把difficlut置为1具体操作如下打开mmdet/datasets/xml_style.py将difficultint(obj.find(‘difficult’).text)改为如下代码
