mmdetection2.0 配置 训练自己的数据集 和 验证出错的问题

在ubuntu下安装mmdetection只要按照官方教程就好了，基本没有问题。

 

训练自己的数据集的时候需要注意以下几点：

        不同于1.x版本，2.x版本所给出的模型大多为嵌套调用的方式，而1.x多为给定好模型。故选取好模型之后，只要按照其py文件里说明，按照步骤不一级一级的往下找就好了，而且由于这种嵌套方式，voc格式的完全只需要修改其中代表dataset部分的路劲即可，可移植性更强了，当你确定好某个模型只有，依旧可以模范1.x的方式，将需要的几个部分写在一个文件里面，更加便于自己的使用。 

进入正题：

当确定好模型后，比如此时用faster_rcnn_x101_64x4d_fpn_1x_coco.py

该文件在  mmdetection/configs/faster_rcnn/ 下，打开会看到：

所以可以看到，其模型还是套娃的方式，其主体部分来源于 faster_rcnn_r50_fpn_1x_coco.py ，这样逐步往下：

其实大部分模型运行相关，也都是在__base__下这三部分，模型、数据集、调度器

这里datasets我改成了voc0712，本来应该是coco_detection的。相比于1.x版本需要在一个py文件下修改，2.x版本的直接替换调用就自由很多。此时对应你的数据集格式进行类似于下图的修改（只是修改文件路径就好了，上面的预处理增强等先不需要管）

修改为datasets就要看下model了，这里面也就是对头部的分类器数目修改，为你的分类数目，不需要像1.x版本一样引入+1的背景数，比如我这里是个27分类问题，改为27就好。标题提到的训练时，验证集报错的原因就是因为这个，因为求mAP的时候，你填写的28，但是实际类别列表里面并不存在28的类别，故一旦有被误检测为第28类时，求取mAp时就会报 list index out of range

的错误。（苦恼我三天的问题。。。。。）

需要根据自己的gpu情况进行调整训练的batch大小，主要就是修改上述samples_per_gpu。

 

修改好model之后就轮到schedule了，这个里面你需要修改下学习率就好，关于学习率官方文档有很好的说明，也就是训练的batch量与学习率成正比，按照这个比例  lr=0.01  for 4 GPUs * 2 img/gpu  修改。total_epochs为训练的轮数。

default_runtime无需修改。

上述是和模型相关的，还有些准备工作需要修改：

此处需要修改你的CLASSES，例如你用的voc格式，如下，你需要修改将此处修改为你的分类名称

还有这里的class_name.py里面的你对应的数据格式的分类名，会在验证的时候被查询：

至此基本修改结束了，

 

然后就可以愉悦的进行训练了，训练过程按照官方说明就好。注意args的格式要求，多GPU时，args关于GPU_nums直接填写数字就好。

 

这是在 验证阶段出现的 list index out of range的情况，解决方案见上面。