mask-rcnn在detectron平台训练coco数据集

（首先官网是最好的教程，我也是在官网的基础上集合自己训练的过程做的一个总结步骤（我的电脑是Ubuntu16.04），仅供参考。官网链接：detectron官网）。
第一步：安装依赖项：

sudo apt-get update
sudo apt-get install -y --no-install-recommends \
      build-essential \
      cmake \
      git \
      libgoogle-glog-dev \
      libgtest-dev \
      libiomp-dev \
      libleveldb-dev \
      liblmdb-dev \
      libopencv-dev \
      libopenmpi-dev \
      libsnappy-dev \
      libprotobuf-dev \
      openmpi-bin \
      openmpi-doc \
      protobuf-compiler \
      python-dev \
      python-pip                          
sudo pip install \
      future \
      numpy \
      protobuf

# for Ubuntu 14.04
sudo apt-get install -y --no-install-recommends libgflags2
# for Ubuntu 16.04
sudo apt-get install -y --no-install-recommends libgflags-dev

注：libgflags2是给Ubuntu 14.04的，libgflags-dev是给Ubuntu 16.04的。

如果有GPU，先按照以下教程安装NVIDIA CUDA 8 和cuDNN V5.1或V6.0（如果已存在对应版本，请忽略，继续第二步） 。

首先更新你的显卡驱动程序，否则后面可能会有一些列错误。
For Ubuntu 14.04

sudo apt-get update && sudo apt-get install wget -y --no-install-recommends
wget "http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1404/x86_64/cuda-repo-ubuntu1404_8.0.61-1_amd64.deb"
sudo dpkg -i cuda-repo-ubuntu1404_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda

For Ubuntu 16.04

sudo apt-get update && sudo apt-get install wget -y --no-install-recommends
wget "http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.61-1_amd64.deb"
sudo dpkg -i cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda

安装cuDNN（针对所以Ubuntu版本）
Version 5.1

CUDNN_URL="http://developer.download.nvidia.com/compute/redist/cudnn/v5.1/cudnn-8.0-linux-x64-v5.1.tgz"
wget ${CUDNN_URL}
sudo tar -xzf cudnn-8.0-linux-x64-v5.1.tgz -C /usr/local
rm cudnn-8.0-linux-x64-v5.1.tgz && sudo ldconfig

第二步：detectron平台是基于caffe2的，所以我们要先安装caffe2：

git clone --recursive https://github.com/pytorch/pytorch.git && cd pytorch
git submodule update --init
mkdir build && cd build
cmake ..
sudo make install

测试caffe2是否安装成功：

cd ~ && python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"

测试结果如下（我的）：

测试GPU构建是否成功：

python2 -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'

测试结果显示的是GPU个数，结果如下（我的）：

注：如果测试有任何问题，可百度，或者加qq:734390853 ,如果我知道，定会详细解答。

第三步：安装cocoapi :

git clone https://github.com/cocodataset/cocoapi.git 
cd cocoapi/PythonAPI
make 

注：我这里的安装和官网有少许不一样。但，亲测可用。

第四步：安装detectron :

git clone https://github.com/facebookresearch/detectron
pip install -r detectron/requirements.txt
cd detectron && make

测试detectron是否通过：

python2 detectron/detectron/tests/test_spatial_narrow_as_op.py

测试结果如下（我的）：

以上是安装部分……………………………………………………………………………………………….以下是训练与测试部分
* *训练* *
第一步：
下载coco数据集：coco数据官网（我下的是2014），在data下新建文件夹命名为coco，把下载的数据移动到coco下：

第二步：
修改dataset_catalog.py文件里的路径（默认的不懂也行），如下：

第三步：
在 $/detectron/configs/getting_started 下新建空白文档（我命名为：tutorial_1gpu_e2e_mask_rcnn_R-50-FPN.yaml），仿照tutorial_1gpu_e2e_faster_rcnn_R-50-FPN.yaml和e2e_mask_rcnn_R-50-FPN_2x.yaml 完成mask_rcnn配置文件。最终我的配置文件如下：https://download.csdn.net/download/yu734390853/10500353
第四步：训练

python2 tools/train_net.py \
    --cfg configs/getting_started/tutorial_1gpu_e2e_mask_rcnn_R-50-FPN.yaml \
    OUTPUT_DIR /tmp/detectron-output

测试：

python2 tools/infer_simple.py \
    --cfg configs/getting_started/tutorial_1gpu_e2e_mask_rcnn_R-50-FPN.yaml \
    --output-dir /tmp/detectron-visualizations \
    --image-ext jpg \
    --wts /home/ymh/detectron/model/model_final.pkl \
    demo

注：其中的model_final.pkl是自己训练时保存的最后一个模型文件。

测试结果如下：

结束………………………………………………………….

下一步工作就是仿照coco制作自己的数据集，训练和测试自己的数据，敬请期待*****