mmdetection

mmdetection 是由商汤科技和香港中文大学基于 PyTorch 开源的一个深度学习目标检测工具。该工具包含多种检测算法，例如 RPN、Fast R-CNN、Faster R-CNN、Mask R-CNN、SSD 和 RetinaNet，以及 Cascade R-CNN。此外，它还提供了多种骨干网络，如 ResNet、ResNeXt、SENet、VGG 和 HRNet，以及其他特性如 DCN、Group Normalization、Soft-NMS 和 Generalized Attention。

mmdetection 曾经成为目标检测竞赛的重要工具。

模型下载

你可以从 GitHub 上的 MODELZOO 文件中下载预训练模型。这些模型是基于 COCO2017train 数据集训练，并在 COCO2017_val 上进行评估的。训练过程中使用了 8 块 NVIDIA Tesla V100 GPU，每个批次大小为 16（每块显卡 2 张图片）。默认的下载地址可能较慢，建议使用阿里云镜像加速下载，将链接中的 https://s3.ap-northeast-2.amazonaws.com/open-mmlab 改为 https://open-mmlab.oss-cn-beijing.aliyuncs.com。

环境要求

• Linux
• Python 3.5+
• PyTorch 1.1+
• CUDA 9.0+
• NCCL 2
• GCC (G++) 4.9+

安装

首先，安装 Anaconda：

bash conda create -n open-mmlab python=3.7 -y conda activate open-mmlab

接着，安装 PyTorch：

bash conda install pytorch torchvision -c pytorch

如果你使用的是 CUDA 9.0，可以使用以下命令安装特定版本的 PyTorch：

bash conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=9.0 -c pytorch

然后，下载并安装 mmdetection 项目：

bash git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection pip install mmcv python setup.py develop

如果在安装 mmcv 时遇到问题，可能是由于 pip 源的问题，可以尝试更换 pip 源。

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。以下是一个示例代码，展示了如何使用预训练模型进行目标检测：

```python from mmdet.apis import initdetector, inferencedetector, show_result import mmcv

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

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

img = 'test.jpg' # 或者 img = mmcv.imread(img)，这只会加载一次 result = inference_detector(model, img)

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

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

如果你希望在一个自定义的数据集上训练一个目标检测模型，首先需要标记数据。可以使用 labelme 或 labelImg 工具进行标注。

数据格式

使用 mmdetection/mmdet/datasets/custom.py 类来加载数据。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 } }, ... ]

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，根据需求修改参数和网络结构。特别注意 datasettype 参数，根据数据格式进行修改。例如，如果使用 custom.py 文件，则需要将 datasettype 设置为 'CustomDataset'。

其他重要参数包括：

• data_root：数据存放目录
• ann_file：合成数据文件路径
• img_prefix：图片存放路径
• checkpoint_config = dict(interval=1)：保存模型的间隔，1 表示每次 epoch 后都保存模型
• total_epochs：总训练 epoch 数量
• work_dir：模型保存目录
• load_from：预训练模型路径，从 0 开始训练
• resume_from：重新训练模型路径，根据保存模型时的 epoch 开始训练

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}

可选参数：

• --validate：每多少次 epoch 在验证集上评估结果，默认为 1
• --work_dir：模型保存目录
• --resumefrom ${CHECKPOINTFILE}：预训练或重新开始训练模型路径

以上是改写后的内容，确保符合你的要求。