mmdetetcion 使用经验

mmdetection 使用经验记录
github repository: https://github.com/open-mmlab/mmdetection

1、环境配置

 一定要按照pytorch官网指令安装pytorch以及其对应的库，比如我的是：
 conda install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch ，这里要注意的是 -c pytorch 表示走pytorch的官方资源下载，如果要从自己配的国内源，如清华源、阿里源瞎下载则要把这个去掉。那么问题来了，我装的时候国内源没有torchaudio，我一位这个没啥用就删了torchaudio不装，结果安装速度是快了，但是却出现no model named torch, 最后不得不按原始指令安装。成功！

2、数据集准备

图片格式修改:简单训练教材含图片格式修改位置

更改数据集相关文件

• 修改config中的数据集路径：(用coco作检测该coco_detection.py，做实例则改coco_instance.py，如果使用的是VOC数据集则改voc0712.py)

    ../mmdetection/configs/_base_/datasets/coco_detection.py
  

• 需要修改一下文件中的CLASSES类别名称，如使用coco数据集时：

     ../mmdetection/mmdet/datasets/coco.py  
    ../mmdetection/mmdet/core/evaluation/class_names.py
  

• 修改模型配置文件中的num_classes=类别数+1 （可采用全局搜索修改）

3、遇到的问题

问题1：

原因：我制作的数据集标签id是从1开始的，如

{1: "car", 2:"truck"}

这样导致label 0,1,2. length=3, 但是标签id——self.cat_ids=[ 1,2],length=2

for label in range(len(result)):  # 0,1,2 
		……
       data['category_id'] = self.cat_ids[label]
       IndexError: list index out of range

解决方法：将coco.py文件中的
for label in range(len(result): 改为：for label in range(len(result)-1): # 0,1
注意：如果标注id从0开始的则不会出现这个问题

问题2：

state_dict_cpu[key] = val.cpu()
 KeyboardInterrupt

链接: 解决方法

4、可调参数

训练时查看gpu使用情况，如果内存和gpu算力使用都不高，则可以更改mmdetection/configs/base/datasets 下训练时使用的数据集配置文件，如我使用coco数据集作检测，则使用的数据集配置文件为：coco_detection.py

   data = dict(
    samples_per_gpu=2,  # 更改数值以充分利用gpu,太大内存会爆掉
    workers_per_gpu=2, # 更改数值以充分利用gpu,太大内存会爆掉

需要依照自己的 GPU 情况，修改 lr 学习速率参数，说明如下：

• lr=0.005 for 2 GPUs * 2 imgs/gpu
• lr=0.01 for 4 GPUs * 2 imgs/gpu
• lr=0.02 for 8 GPUs and 2 img/gpu (batch size = 8*2 = 16), DEFAULT
• lr=0.08 for 16 GPUs * 4 imgs/gpu

这里，我们只使用单 gpu，且 samples_per_gpu = 2，则设置 lr = 0.00125。

这里说一下 epoch 的选择，默认 total_epoch = 12，learning_policy 中，step = [8,11]。total_peoch 可以自行修改，若 total_epoch = 50，则 learning_policy 中，step 也相应修改，例如 step = [38,48]。

• 参考公式：

  lr = (base_lr / 8) x num_gpus x (img_per_gpu/2)

输出设置

• 如果想要输出各类别的AP，可作
  找到 "mmdetection/mmdet/datasets/coco.py"第353行

def evaluate(self,
                 results,
                 metric='bbox',
                 logger=None,
                 jsonfile_prefix=None,
                 classwise=True,     ## 输出个类别ap
                 proposal_nums=(100, 300, 1000),
                 iou_thrs=[0.5,0.75],  ##设置iou阈值
                 metric_items=None):