使用MMDetection3.x训练自定义数据集和类别

1. 安装

• 参考

2. 训练

2.1 准备数据和配置文件

• 参考

2.2 训练

• 训练方式一

python tools/train.py configs/balloon/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon.py

• 会出现如下错误, 且生成的.pth文件不能检测到balloon, 原因是lr太大
  

• 训练方式二

python tools/train.py configs/balloon/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon.py --auto-scale-lr

2.3 测试

• 测试图片集并对比显示

python tools/test.py configs/balloon/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon.py work_dirs/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon/epoch_12.pth --show

• 测试图片并保存结果

python demo/image_demo.py data/balloon/val/test.jpg configs/balloon/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon.py work_dirs/mask-rcnn_r50-caffe_fpn_ms-poly-1x_balloon/epoch_12.pth --out-file 1.jpg

3. 评价指标 (Evaluation Metrics)

3.1 目标检测评估（ Detection Evaluation）

• 基于2分类的指标如下：
  • Recall 召回率（查全率）： 所有真实目标中，模型预测正确的目标比例，其公式为：$$Recall=tpr=TP/(TP+FN)$$
  • Precision 精确率（查准率）：模型预测的所有目标中，预测正确的比例，其公式为：$$Precision=TP/(TP+FP)$$
  • Accuracy：准确率。正确分类（正例分为正例，负例分为负例）的样本数除以所有的样本数，正确率越高，分类器越好。其公式为：$$Accuracy=（TP+TN）/(TP+TN+FP+FN)$$
  • FP (False Positive)：IoU<=0.5时的检测框（或者是检测到同一个GT的多余检测框的数量）
    • 误报，即负例中识别为正例的样本。其中在计算roc曲线的时候需要fpr = FP / (FP + TN)
  • FN (False Negative)：没有检测到的GT的数量
  • TP (True Positive)：IoU>0.5的检测框数量（同一Ground Truth只计算一次）
  • TN (True Negative)：正确识别出的负例
  • IOU (Intersection-Over-Union)：交并比（交集与并集的比值）
  • AP：P-R曲线下面积
  • P-R曲线：Precision-Recall曲线
  • mAP：mean Average Precision，即各类别AP的平均值

3.2 COCO上物体检测器的性能指标 (12个）

指标	描述
Average Precision (AP):
AP	% AP at IoU=0.50:0.05:0.95 (primary challenge metric)
APIoU=.50	% AP at IoU=0.50 (PASCAL VOC metric)
APIoU=.75	% AP at IoU=0.75 (strict metric)
AP Across Scales:
APsmall	% AP for small objects: area < 322
APmedium	% AP for medium objects: 322 < area < 962
APlarge	% AP for large objects: area > 962
Average Recall (AR):
ARmax=1	% AR given 1 detection per image
ARmax=10	% AR given 10 detections per image
ARmax=100	% AR given 100 detections per image
AR Across Scales:
ARsmall	% AR for small objects: area < 322
ARmedium	% AR for medium objects: 322 < area < 962
ARlarge	% AR for large objects: area > 962

• area：测量的面积（area）是分割掩码（segmentation mask）中的像素数量

MMDetection训练输出评价值

• 训练过程中的输出值

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.561
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=1000 ] = 0.757
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=1000 ] = 0.681
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.475
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.629
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.614
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=300 ] = 0.614
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=1000 ] = 0.614
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.508
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.683

• 第1行：COCO数据集评价指标
• 第2行：PASVOC数据集评价指标
• 第3行：IoU=0.75 相比0.50是比较严格的一个指标
• 第4行：检测小目标的的指标
• 第5行：检测中等目标的
• 第6行：检测大目标的指标
• 第7行：设置目标检测框只有100个
• 第8行：设置目标检测框有300个
• 第9行：设置目标检测框有1000个 （从上图看，100个、300个和1000个的指标值差不多）