【MMdetection】2.自定义数据训练

自定义数据集训练MMdetection：从VOC到COCO格式
已于 2024-06-05 16:26:30 修改
阅读量703 收藏
点赞数 6
CC 4.0 BY-SA版权
分类专栏： halcon3d PCL点云处理 深度神经网络 文章标签： 人工智能 计算机视觉 算法 机器视觉 AI 目标检测 MMdetection
于 2024-06-05 16:08:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/linux_huangyu/article/details/139468137
本文介绍了如何使用MMdetection进行自定义数据集训练，包括使用labelImg标注数据，将VOC格式转换为COCO格式，修改配置文件，启动训练，以及使用训练权重进行图片预测。详细步骤涵盖了数据准备、配置文件设置、训练过程及结果评估。

1.废话

因为MMdetection里面提供了非常多的模型和配置文件供我们选择，这样做对比实验非常方便。

在标准数据集上训练预定义的模型 — MMDetection 3.3.0 文档

官方文档在此。

openMMlab提供了各种经典网络和配置文件系统使得MMdetection的上手难度有一点，不熟悉官方常规操作的小伙伴可能被各种各样的配置文件弄晕，这里总结网上一些优秀博主的博客和视频教程，完善了MMdetection的数据集训练过程，以mask rcnn为例，同理可以参考这个流程以使用其他的网络模型实现目标检测。

2.准备自己的数据集

我们这里采用的方法就是使用labelImg标注数据，拿到VOC数据集，然后通过代码转换为COCO数据集

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【MMDetection系列 - 2】MMDetection使用自定义数据集训练、测试已有模型
Fate_serendipity的博客
04-16 3211
使用MMDetection利用自定义数据集进行模型训练、测试、推理
MMdetection数据集格式转换——LabelImg/xml/yolo格式转Custom自定义格式数据集/Coco格式数据集
qq_51320474的博客
03-21 3638
训练customdataset自定义数据集 一、修改： 1.将yuml/configs/yolox/yolox_s_8x8_300e_coco.py中的metric设置为mAP，如下图 2.将yuml/mmdet/datasets/custom.py中的333行注释，新增334行内容，如下图。 3.修改yuml/configs/yolox/yolox_s_8x8_300e_coco.py中数据集以及pkl文件路径，data_root设置为自己的数据集根目录，如下图。 ...
MMDetection系列 | 2. MMDetection自定义数据集训练
Clichong
09-08 3403
这篇博客是关于如何使用MMDetection训练自己的数据集，这里我使用的Kaggle的一个口罩数据集，本来是xml格式的，然后之前使用的是yolov5进行训练，所以将xml格式转换成了txt格式。现在使用MMDetection需要将其转换成coco格式，详细过程如下。
使用MMDetection3.x训练自定义数据集和类别
MyArrow的专栏
12-15 2384
mmdetection训练自己的数据集和类别
MMDetection 3.x 自定义数据集
Augmented Reality & Computer Graphics
04-15 1304
最近在调研目标检测方面的技术实现，发现关于 MMDetection 自定义数据集的文章，多是就 2.x 版本进行描述的，而关于 3.x 版本的则比较少。有些文章在制作COCO数据集的时候，需要修改多处源代码，而这是没有必要的。本文主要参考了[MMDetection 使用示例：从入门到出门](https://ifantasy.net/2022/05/20/mmdetection_setup_and_train_custom_data/)，并根据官方文档，对3.x自定义数据集进行了描述。
使用mmdetection训练自定义数据集
ztx2425363586的博客
04-25 1084
Note: 默认已经会使用anaconda。
MMDetection3D 自定义数据集训练全流程指南
gitblog_00181的博客
06-07 404
在3D目标检测领域，使用公开数据集进行模型训练和测试是常见做法。然而在实际应用中，我们经常需要处理自定义数据集。本文将详细介绍如何在MMDetection3D框架中使用自定义数据集进行3D目标检测模型的训练、测试和推理。 ## 自定义数据集的三种处理方式 MMDetection3D为自定义数据集提供了三种处理方案： 1. **格式转换法**：将数据集转换为MMDetection3D已支持的格...
mmdetection自定义数据集训练
Evan_qin_yi_quan的博客
06-29 3825
mmdetection使用自定义数据集训练详细记录
MMDetection训练自定义的数据集
dashenfeng1的博客
07-20 780
因为培养计划等原因，最近在一家机器视觉公司实习，目前在使用MMDetection框架，想先试着用Mask-RCNN进行自定义（公司的）数据集训练，记录一下训练的流程。
(源码)基于Python和mmdetection的自定义数据集训练模型.zip
06-09
# 基于Python和mmdetection的自定义数据集训练模型 ## 项目简介 本项目展示了如何使用Python和mmdetection框架进行自定义数据集的模型训练。mmdetection是一个基于PyTorch的开源目标检测工具箱，支持多种检测算法...
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 270
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
三大空间信息焕新：辉视让酒店服务、教育通知、监所管控更智能高效
CalebLXL的博客
11-24 687
走访这些场所后我发现，系统的真正价值不在于那些炫目的屏幕，而在于它构建了一套"空间信息免疫系统"——就像人体淋巴网络般，能智能识别各区域的信息需求，精准输送"营养"，快速清除"毒素"。当我们在酒店大堂不再错过末班机场大巴，在学校走廊偶遇恰好需要的竞赛通知，甚至在高墙内获得规整的信息权时，或许该重新思考：所谓智能化，本质是对空间信息代谢效率的一次外科手术式改造。这种荒诞的割裂感，正是传统信息分发模式崩溃的缩影——直到我最近走访数家采用辉视系统的场所，才意识到我们早已进入"精准信息触达"的新纪元。
（116页PPT）关于5G和新基建赋能智慧工地整体解决方案（附下载方式）
2501_92808811的博客
11-25 419
在整体架构方面，方案以“5G智慧工地平台”为核心，依托多类感知设备（如传感器、摄像头、AI眼镜、智能安全帽等）采集数据，通过5G网络实时回传至云平台，再借助大数据、云计算、人工智能等技术进行分析处理，最终在PC、手机、监控大屏等多终端进行可视化展示。此外，文件还详细列举了传统智慧工地子系统（如深基坑监测、升降机监控、扬尘噪音监测、智能水电计量等）的功能与部署方式，并补充了如5G企业专网、实测机器人、智慧科技体验中心等延伸应用，体现出方案的系统性与前瞻性。详细资料请看本解读文章的最后内容。
信息检索13
最新发布
2301_80828873的博客
11-26 881
最近邻检索的方法，PQ，IVF,HNSW
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 629
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
【LoRA（低秩适应）技术详解：原理、公式与实践】
m0_46882548的博客
11-26 674
参数高效：可训练参数量通常仅为全量微调的0.01% - 3%，极大降低了计算和存储成本。内存友好：由于大部分原始权重被冻结，无需存储其优化器状态，显著减少了训练时的显存占用。无推理延迟：训练后可将LoRA权重合并回原模型，推理速度与原始模型一致。模块化与灵活性：一个基础模型可以搭配多个针对不同任务的、体积很小（几兆字节）的LoRA适配器，轻松切换任务。减轻灾难性遗忘：因为原始权重基本不动，模型在适应新任务时更不容易遗忘预训练时获得的通用知识。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
人生不是轨道，是旷野。希望每天都有好心情。
11-23 377
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
EAGLE-2：通过动态草稿树加速语言模型推理
11-24 171
现代 Large Language Models（LLMs）的推理过程既昂贵又耗时，而 speculative sampling 已被证明是一种有效的解决方案。大多数 speculative sampling 方法（例如 EAGLE）使用静态的 draft tree，并默认 draft token 的接受率仅依赖于其位置。有趣的是，我们发现 draft token 的接受率也依赖于上下文。本文在 EAGLE 的基础上提出了，该方法引入了一种新的技术用于 draft 建模。
强化学习人形机器人奖励函数分析
ModestCoder_的博客
11-23 1052
PPO (Proximal Policy Optimization) 是一种 Actor-Critic 架构算法。奖励函数是整个学习过程的指挥棒。学习预测未来的累积回报（Return）。用于处理物理限制的软约束，形式通常为单边损失（Hinge Loss）。，作为 Cost/Penalty 使用，用于约束能量和保持稳定。以下是代码中各个奖励项的数学表达及其物理含义分析。形式，旨在最大化机器人对指令的跟随精度。这种设计是现代机器人控制领域的标准范式。形式，在总奖励计算中通常会被赋予。
mmdetection2.训练
03-17
### 如何使用 MMDetection 进行模型训练 #### 准备工作 为了成功运行 MMDetection 的模型训练流程，需先完成必要的环境搭建和依赖安装。具体操作如下： 通过 `pip` 工具可以方便地安装所需的 Python 库。首先需要...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

黄晓魚

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值