mmdetection使用自定义的coco格式数据集进行训练及测试

一、mmdetection简介
二、环境安装
    1、安装教程
    2、运行demo测试环境是否安装成功
三、训练自定义的dataset
    1、准备dataset
    2、Training前修改相关文件
    3、Training
四、Testing
五、实践中的Tips
六、好资料推荐阅读

再搭建coco的网络中遇到了很多的坑，但是最后你会发现原来他是如此的简单。

1首先原来外我在Pascal VOC进行训练，但是目标检测工具labelme不能够生成XML，生成了的XML不能够使用，于是转换想法，我用了coco

小白总是会犯错误，我以为下贼别人比赛的COCO会对自己有用，但是发现那只是数据集有用而已。
ok

我有自己的数据集。

好的，按照参考的这篇文章的思路https://blog.csdn.net/gaoyi135/article/details/90613895完美解救我。

还有个问题我不理解推荐以软连接的方式创建data文件夹，下面是创建软连接的步骤

cd mmdetection
mkdir data
ln -s $COCO_ROOT data

###其中，$COCO_ROOT需改为你的coco数据集根目录

这句 $COCO_ROOT需要怎么理解。

2、Training前修改相关文件

首先说明的是我的数据集类别一共有4个，分别是：‘Glass_Insulator’, ‘Composite_Insulator’, ‘Clamp’, ‘Drainage_Plate’。且我跑的模型是’configs/faster_rcnn_r50_fpn_1x.py’。

官方提供的代码中都使用的是coco数据集，虽然我们自定义的数据集也已经转换成coco标准格式了，但是像class_name和class_num这些参数是需要修改的，不然跑出来的模型就不会是你想要的。

一些博客例如这个,所提供的方法是按照官方给的定义coco数据集的相关文件，新建文件重新定义自己的数据集和类等，但是其实这是有风险的，我之前按照他们的方法走到最后发现会出现错误，所以最简单便捷且保险的方法是直接修改coco数据集定义文件（官方也是这样建议的）。

1、定义数据种类，需要修改的地方在mmdetection/mmdet/datasets/coco.py。把CLASSES的那个tuple改为自己数据集对应的种类tuple即可。例如：

CLASSES = ('Glass_Insulator', 'Composite_Insulator', 'Clamp', 'Drainage_Plate')

2、接着在mmdetection/mmdet/core/evaluation/class_names.py修改coco_classes数据集类别，这个关系到后面test的时候结果图中显示的类别名称。例如：

def coco_classes():
    return [
        'Glass_Insulator', 'Composite_Insulator', 'Clamp', 'Drainage_Plate'
    ]

3、修改configs/faster_rcnn_r50_fpn_1x.py中的model字典中的num_classes、data字典中的img_scale和optimizer中的lr(学习率)。例如：

num_classes=5,#类别数+1
img_scale=(640,478), #输入图像尺寸的最大边与最小边（train、val、test这三处都要修改）
optimizer = dict(type='SGD', lr=0.0025, momentum=0.9, weight_decay=0.0001) #当gpu数量为8时,lr=0.02；当gpu数量为4时,lr=0.01；我只要一个gpu，所以设置lr=0.0025

作者：Yee_Ko
来源：CSDN
原文：https://blog.csdn.net/gaoyi135/article/details/90613895
版权声明：本文为博主原创文章，转载请附上博文链接！
*

• 有个问题，测试的时候怎么测试吗 除了demo外，测试集和训练集luoyang准备吗？ 后续跟进。

在生成Annotations的时候也遇到了bug，众说风云，所以自己选择。

上传代码。