简介

商汤科技（2018 COCO目标检测挑战赛冠军）开源了基于Pytorch的目标检测工具mmdetection，支持Mask-RCNN，Fast-RCNN，Faster-RCNN等主流的目标检测框架。

作者称mmdetection有三点优势：测试结果、训练速度、所需显存都有所改善。

下面将记录一下我的测试过程。

准备自己的数据集

mmdetection支持coco格式和voc格式的数据集，分别介绍这两种数据集的使用方式。

coco数据集

官方推荐coco数据集按照以下目录形式存储，以coco2017数据集为例

1
2
3
4
5
6
7
8
9
10
mmdetection
├── mmdet
├── tools
├── configs
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── train2017
│   │   ├── val2017
│   │   ├── test2017

推荐以软连接的方式创建data文件夹，下面是创建软连接的步骤

1
2
3
cd mmdetection
mkdir data
ln -s $COCO_ROOT data

其中，$COCO_ROOT需改为你的coco数据集根目录

voc数据集

与coco数据集类似，将voc数据集按照以下的目录形式存储，以VOC2007为例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
mmdetection
├── mmdet
├── tools
├── configs
├── data
│   ├── VOCdevkit
│   │   ├── VOC2007
│   │   │   ├── Annotations
│   │   │   ├── JPEGImages
│   │   │   ├── ImageSets
│   │   │   │   ├── Main
│   │   │   │   │   ├── test.txt
│   │   │   │   │   ├── trainval.txt

同样推荐以软连接的方式创建

1
2
3
cd mmdetection
mkdir data
ln -s $VOC2007_ROOT data/VOCdevkit

其中，$VOC2007_ROOT需改为你的VOC2007数据集根目录

数据集的处理过程

切图->json文件分类->img放入相应json文件中->按照各类数据集数量均衡合成数据集（通过各类数量可视化）->通过labelme过一遍数据集有无错误->将img和json分train和val->生成相应的mask->生成一个json文件，再修正label中train和test的类别对应格式。文件目录如上图所示，准备进行训练。

修改相关文件参数

mmdet /core/evaluation/class_name.py中的coco_classes

mmdet/datasets/coco.py中的class CocoDataset(CustomDataset)中的CLASSES

mmdet/datasets/coco.py中的def evaluate()中的 classwise=true

train出来—>pyconfig文件参数修改，如：image_scale，epoch，lr，batch-size等

开始训练

官方推荐使用分布式的训练方式，这样速度更快，如果是coco训练集，修改CONFIG_FILE中的pretrained参数，改为你的模型路径，然后运行下方代码

1
bash ./tools/dist_train.sh <CONFIG_FILE> <GPU_NUM> [optional arguments]

如果不想采用分布式的训练方式，或者你只有一块显卡，则运行下方的代码

1
python tools/train.py <CONFIG_FILE> --gpus <GPU_NUM> --work-dir <WORK_DIR>

如果一切顺利的话，你的模型应该就开始训练了

准备测试

使用如下代码进行测试

1
bash tools/dist_test.sh <CONFIG_FILE> path/to/model <GPU_NUM> —format-only —eval-options "jsonfile_prefix=./xxx"

生成.seg和.bbox的json文件，并进行可视化测试或者通过其他测试方式进行具体测试分析。

至此结束