配置MMdetection环境并训练
配置MMdetection环境（以VFNet为例）
建议优先使用官网的方法哦，链接放在下面了！
https://github.com/open-mmlab/mmdetection/blob/master/docs/get_started.md
1、先创建一个conda环境并激活它
conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab
2、安装PyTorch 和 torchvision，
根据cuda和pytorch版本安装（我的版本是cuda11.0和torch1.7.0）
conda install pytorch torchvision -c pytorch
conda install pytorch cudatoolkit=11.0 torchvision -c pytorch
3、安装mmcv-full
根据cuda和pytorch版本安装（我的版本是cuda11.0和torch1.7.0）。mmcv版本配置不对就无法正常训练模型，一定要使用正确的版本。
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html
4、安装pycocotools
虽然官网上没有要求安装，但是我报错缺失pycocotools。
pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI
或者https://github.com/philferriere/cocoapi下载源码，并进行解压。切换到 cocoapi\PythonAPI目录。运行：
python setup.py build_ext install
然后cd到自己的路径下，安装mmdetection
5、mmdetection安装和编译
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e. # or "python setup.py develop".
到这里为止，环境的配置就完成了。开始准备数据集
6、使用自己的coco格式数据集
官方提供的所有代码都默认使用的是coco格式的数据集，我这里也使用的coco格式的数据集。各种类型数据转coco格式脚本见：
https://github.com/spytensor/prepare_detection_dataset
mmdetection
├── mmdet
├── tools
├── configs
├── data
│ ├── coco
│ │ ├── annotations
│ │ ├── train2017
│ │ ├── val2017
│ │ ├── test2017
7、训练之前还要改一些参数
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。
CLASSES = ('liner', 'bulk carrier', 'container ship', 'other ship')
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
3）修改configs/vfnet/vfnet_x101_64x4d_fpn_mstrain_2x_coco.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=4,#类别数
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
训练完之后work_dirs文件夹中会保存下训练过程中的log日志文件、每个epoch的pth文件（这个文件将会用于后面的test测试）
8、开始训练
单个GPU（不用分布式）:
#从开始训练模型
python tools/train.py configs/vfnet/vfnet_x101_64x4d_fpn_mstrain_2x_coco.py
#从断点权重文件继续训练
python tools/train.py configs/vfnet/vfnet_x101_64x4d_fpn_mstrain_2x_coco.py --resume-from="work_dirs/yy.pth"
resume_from和load_from之间的区别： resume_from加载模型权重和优化器状态,并且epoch也从指定的检查点继承。它通常用于恢复意外中断的训练过程。 load_from仅加载模型权重,训练时期从0开始。通常用于微调。
9、测试
（1）如果只是想看一下效果而不要进行定量指标分析的话，可以运行之前那个demo.py文件，但是要改一下checkpoint_file的地址路径，使用我们上一步跑出来的work_dirs下的pth文件。例如checkpoint_file = 'work_dirs/epoch_100.pth
（2）使用test命令来进行测试评估一些参数
python tools/test.py configs/vfnet/vfnet_x101_64x4d_fpn_mstrain_2x_coco.py work_dirs/latest.pth --out ./result/result_100.pkl --eval bbox
放一张我训练完的结果图（数据集用的是自己的，单类的 2万多张）
VFNet X-101-64x4d (mAP 91.7%)
10、报错和解决
1）修改config里面的num_calss之后报错：
重新编译
python setup.py install
要是还不行，先卸载mmdet，再重新编译
pip uninstall mmdet
pip install -r requirements/build.txt
pip install -v -e . # or "python setup.py develop".
后续还会再添加修改！