【MMDetection】训练自己的数据集

1. 建立voc数据集

Annotations 放置图像标注 .xml
JPEGImages 放置图像 .jpg
使用脚本，脚本链接：注意修改
划分数据集，ImageSets/Main/train.txt,trainval.txt,test.txt,val.txt 放置文件名，不带后缀
脚本上传到GitHub ，注意修改：https://github.com/ghostype98/tools/blob/main/make_txt.py

参考链接：https://blog.csdn.net/weixin_42447868/article/details/105675158

2. 下载预训练权重

建立mmdetection/checkpoints目录，下载对应的预训练权重,
权重文件链接

（1）configs对应网络里的README.md 进入后可以通过cfg文件验证对应的weight
例如 configs/fcos/README.md 根据config 对应 model 避免下错

（2）https://mmdetection.readthedocs.io/zh_CN/v2.19./model_zoo.html#id2

3. 修改配置文件

3.1mmdet/core/evalution/class_names.py      #voc_classes 修改类别

3.2mmdet/datasets/voc.py              #一个类要加 逗号，修改类别，

3.3config/ _base_/models/faster_rcnn.py  #根据自己需要的网络更换
		1.num_classes   #类别数
		2.checkpoint=checkpoints/...pth  
		#使用预训练模型，或者3.5.5load_from 中修改
3.4config/ _base_/datasets/voc0712.py![请添加图片描述](https://img-blog.csdnimg.cn/963dd3d258344416b58bb0f851bb62bd.png)

		1.注释掉line41中，voc2012

		2.修改训练、验证、测试 txt路径：根据自己路径修改

		3.samples_per_gpu  #每个gpu检测几张图片，显卡内存不足可以调小
		  workers_per_gpu  #使用几个线程
		4.修改图像尺寸 img_scale   , 显卡内存不足可以调小
		5.pipeline  图像在线增强策略
3.5configs/_base_/default_runtime.py 		
		1.checkpoint_config   #多少epoch 保存一次模型 
		2.log_config			#多少次迭代 输出一次日志
		3.hooks=[dict(type='TextLoggerHool'), dict(type='TensorboardLoggerHook')]  #使用tensorboard
		4.log_level #输出日志等级
		5.load_from # 加载lastest.pth 继续训练
		6.resume_from  #断点继续训练   
	tips：checkpoints、load_from、resume_from优先级：mmdet默认加载权重优先级别是resume_from(断点加	载)，load_from，pretrained的顺序，所以需要从load_from加载预训练权重
3.6configs/schedule/schedule_1x.py	#修改超参数
step=[8, 11] #在第8、11epoch 学习率乘0.1
max_epochs   #训练epoch
3.7configs/faster_rcnn/fasterrcnn_r50_fpn_1x_coco.py 
	#根据自己模型修改路径, 除了base外的注释掉,前面VOC0712.py 已经修改过

4.需要重新编译 python setup.py install

5.训练 ：参数文件，gpu，输出路径

python tools/train.py configs/faster_rcnn/....py --gpus 1 --work-dir WORK_DIR checkpoints/...pth

6.测试：参数文件，最近的权重文件，输出路径

python tools/test.py configs/faster_rcnn/...py work_dir/lastest.pth --show-dir output --out output/result.pkl

7.工具

7.1绘制结果曲线

python tools/analysis_tools/analyze_logs.py plot_curve workdir/~/888.log.json --keys loss lr --out loss.pdf

7.2过程可视化 前提： 3.5.3

tensorboard --logdir work_dirs/88/88/   #events的上一层目录

7.3测试结果评价 前提：测试命令加–out work_dirs/result.pkl

python tools/analysis_tools/eval_metric.py work_dirs/faster_rcnn_r50_fpn_1x_voc0712.py  output/result30.pkl --eval mAP
#测试时保存的pkl，测试时使用的配置文件,需要分析什么数据

tips:1.学习率策略

lr_config = dict(
    policy='step',                        # 优化策略
    warmup='linear',                      # 初始的学习率增加的策略，linear为线性增加
    warmup_iters=500,                     # 在初始的500次迭代中学习率逐渐增加
    warmup_ratio=1.0 / 3,                 # 起始的学习率
    step=[8, 11])                         # 在第8和11个epoch时降低学习率
————————————————
版权声明：本文为CSDN博主「藏云阁主」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/hajlyx/article/details/85991400

tips:2.注意看configs/{自己模型.py}中路径，

网络模型路径
数据集路径
超参数路径
运行记录设置路径 ，有些网络不一样

tips3. 自定义网络模型

稍后更新

tips4.修改损失函数

https://mmdetection.readthedocs.io/zh_CN/latest/tutorials/customize_losses.html

问题

1. FileNotFoundError: [Errno 2] No such file or directory ‘/tmp/tmpj7h17tbn/tmp8e5kuzoc.py‘

https://blog.csdn.net/chrisitian666/article/details/113145902

2. YOLO使用VOC出错。
   将VOC转换成 COCO，
   2.1将xml转换成json
   2.2通过json读取图片放在文件中，
   注意修改路径
   参考：https://blog.csdn.net/qq_45584615/article/details/115802378

3. 使用coco训练测试的指标
   参考https://zhuanlan.zhihu.com/p/399837729
   coco得到每一类缺陷AP并且 为AP50 即IoU=0.5
   https://zhuanlan.zhihu.com/p/264202374
   修改后，需要重新编译
   

参考链接

https://bbs.huaweicloud.com/blogs/detail/198417
https://blog.csdn.net/H_Ben_Ben/article/details/120336630
https://blog.csdn.net/hajlyx/article/details/85991400
https://blog.csdn.net/weixin_36642958/article/details/96905866
https://blog.csdn.net/syysyf99/article/details/96574325
官网介绍https://mmdetection.readthedocs.io/zh_CN/v2.19.0/model_zoo.html