mmdetection

mmdetection是由商汤科技和香港中文大学共同开发的一个基于PyTorch的开源深度学习目标检测工具。该工具集成了多种目标检测算法，包括RPN、Fast R-CNN、Faster R-CNN、Mask R-CNN、SSD、RetinaNet以及Cascade R-CNN等。此外，它还支持多种特征提取网络，如ResNet、ResNext、SENet、VGG和HRNet，并且包含了诸如DCN、Group Normalization、Soft-NMS和Generalized Attention等其他特征。

mmdetection曾是目标检测竞赛中的必备工具之一。

模型下载

mmdetection提供了多个预训练模型，这些模型均基于COCO 2017训练集，并在COCO 2017验证集上进行了测试。训练过程中使用了8块NVIDIA Tesla V100 GPU，每个批次大小为16（每块GPU两张图片）。默认的下载链接可能较慢，用户可以将其改为阿里云镜像，但需注意部分模型可能不支持阿里云镜像。

环境要求

• 操作系统：Linux
• Python：3.5+
• PyTorch：1.1+
• CUDA：9.0+
• NCCL：2
• GCC/G++：4.9+

安装

首先，安装Anaconda。接着，按照以下步骤操作：

1. 创建conda虚拟环境： bash conda create -n open-mmlab python=3.7 -y conda activate open-mmlab

2. 安装PyTorch： 根据CUDA版本选择合适的PyTorch版本。例如，对于CUDA 9.0： bash conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=9.0 -c pytorch

3. 下载mmdetection项目： bash git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection

4. 安装mmcv： 如果遇到安装卡顿问题，可能是由于pip源的问题，可以尝试更换源： bash pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple 然后继续安装： bash pip install mmcv python setup.py develop # 或者 "pip install -v -e ."

使用预训练模型进行测试

首先，根据提供的模型下载地址下载预训练模型。然后，使用以下代码进行测试： ```python from mmdet.apis import initdetector, inferencedetector, show_result import mmcv

configfile = 'configs/fasterrcnnr50fpn1x.py' checkpointfile = 'checkpoints/fasterrcnnr50fpn1x_20181010-3d1b3351.pth'

构建模型

model = initdetector(configfile, checkpoint_file, device='cuda:0')

测试单张图片

img = 'test.jpg' result = inferencedetector(model, img) showresult(img, result, model.CLASSES)

将结果保存为图像文件

showresult(img, result, model.CLASSES, outfile='result.jpg')

测试视频

video = mmcv.VideoReader('video.mp4') for frame in video: result = inferencedetector(model, frame) showresult(frame, result, model.CLASSES, wait_time=1) ```

训练自己的模型

1. 标注数据：可以使用labelme或labelImg工具进行数据标注。

2. 数据格式：将标注的数据转换为mmdetection所需的格式。数据格式如下： json [ { 'filename': 'a.jpg', 'width': 1280, 'height': 720, 'ann': { 'bboxes': (n, 4), 'labels': (n, ), 'bboxes_ignore': (k, 4), (可选字段) 'labels_ignore': (k, 4) (可选字段) } }, ... ]

3. 配置文件设置：根据选择的模型在mmdetection/configs/目录下找到对应的配置文件，并根据需求修改参数和网络结构。例如： python dataset_type = 'CustomDataset' data_root = 'path/to/data' ann_file = 'path/to/annotations.json' img_prefix = 'path/to/images/' checkpoint_config = dict(interval=1) total_epochs = 12 work_dir = 'path/to/save/models' load_from = 'path/to/pretrained/model.pth' resume_from = 'path/to/resume/model.pth'

4. 训练模型：

   • 单个GPU训练： bash python tools/train.py ${CONFIG_FILE}
   • 多GPU训练： bash ./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM}

以上步骤可以帮助您在mmdetection框架下进行目标检测任务。