【OpenMMLab AI训练营第二期】Class7:MMDetection代码课

MMDetection版本变化

MMDetection3.0通过更细粒度的模块解耦，进一步拆解出了数据、模型、评测等抽象，并对这些接口进行了统一设计。通过对MMEngine和MMCV的重新适配，使得MMDetection的速度和精度得到提高。

环境配置

# Check nvcc version
!nvcc -V
# Check GCC version
!gcc --version

# # 安装 mmengine 和 mmcv 依赖
# # 为了防止后续版本变更导致的代码无法运行，我们暂时锁死版本
# !pip install -U "openmim==0.3.7"
# !mim install "mmengine==0.7.1"
# !mim install "mmcv==2.0.0"

# # Install mmdetection
# !rm -rf mmdetection
# # 为了防止后续更新导致的可能无法运行，特意新建了 tutorials 分支

# 之前的课程配置过内容，所以就不重新配置环境了，重新clone一下代码库
!git clone -b tutorials https://github.com/open-mmlab/mmdetection.git
%cd mmdetection

%pip install -e .

打印环境信息

from mmengine.utils import get_git_hash
from mmengine.utils.dl_utils import collect_env as collect_base_env

import mmdet

# 环境信息收集和打印
def collect_env():
    """Collect the information of the running environments."""
    env_info = collect_base_env()
    env_info['MMDetection'] = f'{
     
     mmdet.__version__}+{
     
     get_git_hash()[:7]}'
    return env_info


if __name__ == '__main__':
    for name, val in collect_env().items():
        print(f'{
     
     name}: {
     
     val}')

准备数据集

! rm -rf cat_dataset*
! wget https://download.openmmlab.com/mmyolo/data/cat_dataset.zip
! unzip cat_dataset.zip -d cat_dataset && rm cat_dataset.zip 

下载好的数据集已经是COCO格式的了，可以对数据进行可视化

import os
import matplotlib.pyplot as plt
from PIL import Image

%matplotlib inline
%config InlineBackend.figure_format = 'retina'

original_images = []
images = []
texts = []
plt.figure(figsize=(16, 5))

image_paths= [filename for filename in os.listdir('cat_dataset/images')][:8]

for i,filename in enumerate(image_paths):
    name = os.path.splitext(filename)[0]

    image = Image.open('cat_dataset/images/'+filename).convert("RGB")
  
    plt.subplot(2, 4, i+1)
    plt.imshow(image)
    plt.title(f"{
     
     filename}")
    plt.xticks([])
    plt.yticks([])

plt.tight_layout