open-mmlab的mmdetection使用总结

教程来源于视频：5 MMDetection 代码教学 - 1.5_哔哩哔哩_bilibili

使用总结如下：

环境安装配置见官方教程，如果在jupyter-notebook里，只要在mim前加上！

1、使用mmdetection ，进行单张图片推理

使用mask r-cnn 分割demo.jpg

# search model 
mim search mmdet --model "mask r-cnn"

# download config file (.py) and weight file (.pth)
# you can also download from https://github.com/open-mmlab/mmdetection/tree/main/configs
mim download mmdet --config mask_rcnn_r50_fpn_2x_coco --dest .

# infer with mmdet
from mmdet.apis import init_detector, inference_detector, show_result_pyplot

config_file = "mask_rcnn_r50_fpn_2x_coco.py"
checkpoint_file = "mask_rcnn_r50_fpn_2x_coco_bbox_mAP-0.392__segm_mAP-0.354_20200505_003907-3e542a40.pth"

model = init_detector(config_file, checkpoint_file)
result = inference_detector(model, 'demo.jpg')
show_result_pyplot(model, 'demo.jpg', result)

demo.jpg

2、根据自己的数据，进行模型训练

0). 数据集

用的是fruit dataset

下载地址 OpenBayes 控制台，注册账号，保存到自己的数据仓库，然后下载

or

链接：https://pan.baidu.com/s/1zVl-6Jk2lCQjfSVjUPx3DQ 
提取码：akbz

1).  选择模型

# serch model
mim search mmdet --model "yolov3"

# download config file and pth
mim download mmdet --config yolov3_mobilenetv2_mstrain-416_300e_coco --dest .

2).  修改配置文件（继承的方式修改）， 并查看我们的修改是否已经生效

从原来的80个类别，改成检测柠檬这1个类别的分类；

以前有些地方还需要+1表示背景类，这里已经不需要了；

本文这种修改类别数的方法和官方文档一致，无需像有些blog里说的去修改mmdet/datasets/coco.py和mmdet/evaluation/functional/class_names.py

# fruit.py
_base_ = ['yolov3_mobilenetv2_mstrain-416_300e_coco.py']

classes = ("lemon",)
data = dict(
    train = dict(
        dataset = dict(
            ann_file='/data/code/mmdetection_example/fruit/annotations/train.json',
            img_prefix='/data/code/mmdetection_example/fruit/train',
            classes=classes)
    ),
    val = dict(
            ann_file='/data/code/mmdetection_example/fruit/annotations/train.json',
            img_prefix='/data/code/mmdetection_example/fruit/train',
            classes=classes
    ),
    test = dict(
            ann_file='/data/code/mmdetection_example/fruit/annotations/train.json',
            img_prefix='/data/code/mmdetection_example/fruit/train',
            classes=classes
    )
)

model = dict(bbox_head=dict(num_classes=1))

load_from = 'yolov3_mobilenetv2_mstrain-416_300e_coco_20210718_010823-f68a07b3.pth'

# epoch
runner = dict(type='EpochBasedRunner', max_epochs=30)

# learning_rate
optimizer = dict(type='SGD', lr=0.001)

lr_config = None
# lr_config = dict(
#     policy='step',
#     warmup='linear',
#     warmup_iters=4000,
#     warmup_ratio=0.0001,
#     step=[24, 28])

log_config = dict(interval=25, hooks=[dict(type='TextLoggerHook')])

 可以查看对应版本的mmcv，找到mmcv/utils/config.py，查看fromfile源代码

# modify config file
from mmcv import Config
config = Config.fromfile('fruit.py')
print(config.pretty_text)

3).  训练模型

# train model
mim train mmdet fruit.py

4).  验证自己训练出来的模型

# test single picture
from mmdet.apis import init_detector, inference_detector, show_result_pyplot

config_file = "fruit.py"
checkpoint_file = "work_dirs/fruit/latest.pth"
img = 'fruit/train/lemon_bg_0_aug_0.jpg'

model = init_detector(config_file, checkpoint_file)
result = inference_detector(model, img)
show_result_pyplot(model, img, result)

训练了30 个epoch，不知道为啥loss还有71多，测试发现效果看着还行。（因为我们这里没有进行数据划分）

# 批量测试
mim test mmdet fruit.py --checkpoint work_dirs/fruit/latest.pth --show-dir work_dirs/fruit/imgs