mmdetection训练自己的数据集

---

前言

人工智能小白，最近在学习目标检测，在此分享所学与学习过程中的问题

---

一、mmdetection的

项目仓库地址（源码）：https://github.com/open-mmlab/mmdetection

1.准备

（注：官方提供的代码默认要求使用coco格式的数据集）

1.导入自己的coco数据集

新建data文件夹存储coco数据集，coco数据集按照如下目录存储（部分源码中的文件下图未体现，但不代表训练时未体现文件不需要）：

mmdetection-master
├── mmdet
├── tools
├── configs
├── data
│ ├── coco
│ │ ├── annotations
│ │ ├── train2017
│ │ ├── val2017

最终呈现出的目录：

2.修改

（1）configs/base/datasets下的

coco_detection.py
coco_instace.py
coco_instace_semantic.py
这三个文件当中的img_scale=(,)（图片的最大长度和最小长度）根据自己电脑的GPU适当改动（以上三个文件当中，各有两处img_scale需要改，即总共需要改六处）

（2）configs/yolox/yolox_s_8x8_300e_coco.py（yolox->选择自己要使用的算法，不一定是我写的这个；yolox_s_8x8_300e_coco.py->自己所需的配置文件，不一定是这个名）下的

修改两个文件中的num_classes=80，将“80”改为自己数据集的种类个数（例如猫狗模型，那么种类即为2）

（3）mmdet/core/evaluation/classnames.py下的

CLASSES = (‘Glass_Insulator’, ‘Composite_Insulator’, ‘Clamp’, ‘Drainage_Plate’)替换为自己数据分类id

eg:我的数据分类id为1，因此我的修改如下图：

mmdetection/mmdet/core/evaluation/class_names.py下的

def coco_classes():
return [
‘Glass_Insulator’, ‘Composite_Insulator’, ‘Clamp’, ‘Drainage_Plate’
]修改为自己的数据分类id（即标定数据集时的命名）

3.训练

（1）打开tool/train.py进行训练

输入命令python tools/train.py configs/yolox（你选择的算法）/yolox_s_8x8_300e_coco.py（上面“第二步修改”时自己所选的配置文件名） --gpus 1 --work-dir demo1_test

（2）一旦开始训练后立即掐断（使用Ctrl+C掐断）
eg:大约看到像如下图片时就可以掐断了

（3）此时我们再看目录会发现生成一个“demo1_test”文件（名称与上一小步的–work-dir demo1_test相同），此时我们会发现在此文件下包含三个文件（目录大致如下图）

eg:下面文件名可能略有不同
├── demo1_test
│ ├── 20220122_104751.log
│ ├── 20220122_104751.log.json
│ ├── yolox_s_8x8_300e_coco.py

打开其中的生成的配置文件“yolox_s_8x8_300e_coco.py”（这个生成的文件与“第二大步修改”所选取的配置文件名相同）

找到 log_config=dict(interval=50,hooks=…)
interval=50表示50次迭代才会生成一次日志信息，但我们希望日志信息越详细越好，所以建议调小一点（例如：调成5）

（4）用自己生成的配置文件进行训练（在此训练前先删掉“demo1_test”文件下的两个.log.json和.log文件）

输入命令python tools/train.py demo1_test/yolox_s_8x8_300e_coco.py（生成的配置文件名）–gpus 1 --work-dir demo1_test

4.数据分析

打开tools/analyze_logs.py
a.将某些参数生成折线图

输入命令将某些参数生成折线图的命令语句，便于观察：
python tools/analize_logs.py pot_curve demo1_test/20220122_104751.log.json（生成的.json文件名） --keys acc（可以将acc替换成你所要查看的参数，也可以多个一起查看 --keys loss_cls loss_bbox loss_mask）

b.将生成的折线图保存成pdf（或jpg）

输入将生成的图片保存成pdf的命令语句:
python tools/analysis_tools/analyze_logs.py plot_curve demo1_test/20220122_104751.log.json --keys loss_obj loss time --out out.pdf（若要生成jpg文件，则将其换成–out out.jpg）

5.测试模型

（1）tools/test.py下

输入命令：
python tools/test.py demo1_test/yolox_s_8x8_300e_coco.py（你的配置文件）demo1_test/epoch_24.pth（你所选择的用来检测的模型，一般用最后一个模型） --show

此时展示的只是图片的ID并非名字

二、遇到的问题

1.FileNotFoundError : [Errno 2] No such file or directory: ‘data/coco/train217/furty_1860.jpg’

解决方法：在json文件中删掉有关“furty_186.jpg”的图片信息： 例如：报错如题目所示，则在json文件中删掉如下图的两部分

2.FileNotFoundError: file “F:\detection\mmdetection\demo1_test\mask_rcnn_r101_fpn_2x_coco.py” does not exist

解决方法：报这种错误，表示目录错误按照报错的目录重新排布一下即可

3.test.py: error: the following arguments are required: --backend（以下参数是必须的）

解决方法： 找运行入口的参数

4.AssertionError: The num_classes (1) in Shared2FCBBoxHead of MMDataParallel does not matches the length of CLASSES 80) in CocoDataset

解决方法：可能是源码或生成的配置文件内的num_classes没有改成自己数据集的“类”个数

---

总结

刚刚入门，可能存在很多问题，欢迎大家在下方评论区指出