MMdetection训练配置

最新推荐文章于 2025-05-26 18:11:25 发布
原创 最新推荐文章于 2025-05-26 18:11:25 发布 · 2.4k 阅读 · 10 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #深度学习 #计算机视觉

本文详细介绍了在Windows环境下如何使用MMDetection进行Faster R-CNN模型训练，涉及数据集转换、配置文件调整、模型选择和参数设置，包括数据集路径配置、类别设置、训练轮次等关键步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

mmdetecton 安装

采用mmdetection,安装教程参考： Windows下配置MMDetection

数据集准备

实验为自制VOC数据集，使用tools/dataset_converters/pascal_voc.py转换为COCO格式数据集，结果包括 voc07_train.json、voc07_test.json、voc07_val.json，COCO数据集JSON文件格式字段说明参考：
COCO数据集JSON文件格式

FasterRCNN训练模型配置

进入configs->faster_rcnn->faster_rcnn_r50_fpn_1x_coco.py
分别引用三个文件，分别进入三个文件配置，配置参数
在这里插入图片描述

模型配置文件

进入 …/_base_/models/faster_rcnn_r50_fpn.py

由于本数据集只有一个类别，修改数据集类别个数：num_classes=1
在这里插入图片描述

数据集配置

数据集路径配置

进入 …/_base_/datasets/coco_detection.py
修改数据集根路径 data_root = ‘/media/lwt/Data/InfraredVOC’
在这里插入图片描述
标签位置 ann_file 该文本中也包括图像路径，不过没有根路径只有VOC数据格式主路径的路径，配置根路径 img_prefix
在这里插入图片描述

数据集类别配置

进入 mmdet/datasets/coco.py修改CocoDataset类中类别 CLASSES =(“ship”,)

训练轮次、学习率设置

进入 configs/base/schedules/schedule_1x.py修改 max_epochs=500

日志文件、权重文件设置

进入configs/base/schedules/default_runtime.py ，修改checkpoint_config = dict(interval=20) 20轮保存一次权重文件

运行

python ./tools/train.py ./configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py
mmdetection修改epoch？或者训练完，怎么增加epoch继续训练？
m0_63947712的博客
04-11 2717
打开./work_dirs/faster-rcnn_r50_fpn_1x_coco/faster-rcnn_r50_fpn_coco.py（根据自己文件名来哈），这个文件刚开始是没有的，只有开始训练后，才会根据配置信息生成，我们直接在这个文件上修改。②milestones是学习率下降的地方，[8,11]表示学习率在第8、11个epoch下降，随着总epoch数的改变，milestone也需要改变。注：其他版本的mmdetection恢复模型的命令可能不是--resume哦，可参考以下博客。
MMDetection训练COCO数据集新手快速上手
m0_63947712的博客
05-04 1985
其中的.log文件具体记录了训练过程，也就是训练时屏幕显示的内容，不过似乎没有完全记录屏幕显示的内容，好像只记录了average precision，没有记录average recall，（也有可能是我没找到，还请了解的朋友指点！）所以如果对于结果要求比较全的，还是自己复制屏幕或者截图。我们在2.1中选择的模型总配置文件中，写明了需要用到的四个具体的配置文件，而在初次训练开始后，程序就会将这四个文件整合在一块，形成全面的配置文件，之后训练中断再继续训练或者训练结束增加epoch再训练时就是直接用这个文件。
mmdetection_3-训练自己的数据集
Yk_0311的博客
11-07 877
mmdetection_3-训练自己的数据集 以faster rcnn为例 数据准备 在mmdetection文件夹中创建data文件夹，再将coco文件夹放入（数据集）。 修改格式 （可选）修改configs/_base_/datasets/coco_detection.py中的image_scale显存为4G建议改成(800,500),这里是多尺度训练。 修改configs/_base_/models/faster_rcnn_r50_fpn.py中的num_classes=x,x为自己数据中的目标类别
用MMdetection框架训练自己的数据集（全流程实战）
最新发布
qq_54708219的博客
05-26 1303
用MMdetection框架训练自己的数据集（全流程实战）
用mmdetection训练自己的数据集
comea23的博客
03-13 2087
接触目标检测也有半年时间了，论文看了一些，但是都是看得马马虎虎，这次先用mmdetection跑一下Faster-rcnn，后面彻底熟悉了，再分析它的运行过程。可能有人说先打牢基础，看这看那，我认为还是得及时地和实际结合，如果有不对指出，请批评指正。 mmdetection是商汤提出来的一个框架吧，如果只是想单纯的跑跑完成任务的话真的很实用，我第一次上手用的就是它，连...
利用MMDetection在标准数据集上训练预定义的模型
Mickey的博客
04-16 2090
在上次发布的帖子中，我们已经学习到如何部署安装MMDetection以及如何利用公开数据集测试被训练好的现有模型，本节将讨论如何在标准数据集上训练预定义的模型。MMDetection也为训练检测模型提供了开盖即食的工具。本节将展示在标准数据集（比如 COCO）上如何训练一个预定义的模型。
快速利用ceph对象存储与owncloud打造储存“云盘”
黑马程序员官方博客
12-04 1384
6,文件上传下载测试 [root@client~]# s3cmd put /etc/fstab s3://owncloud upload:'/etc/fstab'->'s3://owncloud/fstab'[1of1] 501of501 100%in0s...
mmdetection训练-使用mmdetection训练目标检测算法-支持fasterrcnn+retinanet等算法-项目
10-20
在使用mmdetection进行项目实战的过程中，用户可以通过该框架提供的接口快速地配置和训练各种算法模型。此外，mmdetection提供了丰富的数据处理工具和预训练模型，这使得即便是初学者也能够快速上手，进行有效的目标...
模型训练+人工智能项目+实例分割+mmdetection.rar+完整配置
08-23
【内容概要】: 本资源提供了一个基于mmdetection框架的实例分割项目，压缩包命名为`mmdetection.rar`。项目包含完整的配置文件、预训练模型、数据处理脚本及详细的文档，支持从数据准备到模型训练直至部署的全流程。...
mmdetection训练过程loss为nan
m0_63947712的博客
06-08 863
注：不是所有的总配置文件都有lr字段，但是如果有的话就要做相应修改，例如./configs/faster-rcnn/faster-rcnn_r50_fpn_1x_coco.py就没有，如下图。修改lr，./config/retinanet/retinanet_r50_fpn_1x_coco.py里的lr默认是0.01，可以修改得和上面第一处一样（修改得不一样似乎也不会报错）②打开总配置文件，例如我这里使用的是./config/retinanet/retinanet_r50_fpn_1x_coco.py。
mmdetection训练SOLOv2修改过的源码
03-19
《mmdetection训练SOLOv2修改过的源码详解》 在深度学习领域，目标检测是至关重要的一环，它能够帮助计算机识别图像中的特定对象。mmdetection是PyTorch框架下的一款开源目标检测库，提供了多种先进的检测算法，如...
玩转MMDetection-MMDetection中的数据集文件、训练计划文件、运行信息文件及具体参数解读（二）
左右-HPU
04-12 2063
首先先介绍以下coco.py文件中的CocoDataset类函数，顾名思义，如果我们采用coco数据集格式，则需要调用coco.py文件，如果采用coco公共数据集则直接调用。若需要训练自己的数据集，则需要将coco.py文件下的CocoDataset类中的CLASSES中，更改为你自己数据集对应的种类，如果只有一类，切记要在一个类后加逗号。以下是coco数据集用作目标检测的数据集文件及参数解读coco_detection.py。coco数据集格式如下图所示。
mmdet在训练过程中调用epoch
qq_42948594的博客
05-08 1785
由于mmdet训练过程都封装到runner中，在训练过程中是无法直接调用epoch。本文主要参考了 https://github.com/open-mmlab/mmdetection/issues/7425 具体实现 定义hook类 在mmdet/core/hooks中新增文件set_epoch_info_hook.py,内容如下： # Copyright (c) OpenMMLab. All rights reserved. from mmcv.parallel import is_module_
mmdection下载预训练模型
weixin_43976891的博客
08-16 769
1.在使用mmdection训练自己的数据集时经常需要使用预训练模型参数，如果网络好的话可以直接下载，但是如果网络中断再次下载模型参数时程序会报错： unexpected EOF, expected 455433 more bytes. The file might be corrupted. 这时候的解决办法是找到未下载完成的文件然后将其删除 未下载完的文件位置在隐藏文件夹.cache/torch/checkpoints ...
mmdetection 中的 EpochBasedRunner
qq_43403200的博客
12-09 2751
EpochBasedRunner 阅读记录 这个类有很多方法，这里只记录当前我所用到的方法。 一、首先是实例化这个类的初始化方法： """ Args: model (:obj:`torch.nn.Module`): The model to be run. batch_processor (callable): A callable method that process a data batch. The interface of t
深度学习环境搭建笔记(二)：mmdetection-CPU安装和训练
源的博客
09-04 1420
下载将需要几秒钟或更长时间，这取决于你的网络环境。完成后，你会在当前文件夹中发现两个文件 rtmdet_tiny_8xb32-300e_coco.py 和 rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth。你会在当前文件夹中的 outputs/vis 文件夹中看到一个新的图像 demo.jpg，图像中包含有网络预测的检测框。如果是2.*以上的版本，则为mmcv。到这里为止，环境的配置就完成了。
MMdetection 3d修改验证模型的间隔
weixin_44715117的博客
05-18 1714
前言 最近在用商汤的MMdetection3d来跑模型，有集成代码给自己用是挺好的，但是也正是因为集成代码，改起来比较麻烦。在MMdetection3d中，默认训练一个轮次，验证一个轮次，修改工作流也不行，即workflow = [('train', 1)]改为[('train', 1), ('val', 1)]。这里官方也给出解释了，[('train', 1), ('val', 1)]表示的是在训练一个轮次后，验证一次，计算验证集的损失和精度，而[('train', 1)]则是训练一个轮次，验证一次，给出
mmdetection获取最高map的epoch
Ghlerrix的博客
03-27 639
自动从训练结果中获取最高的mAP所对应的epoch。 <code>import json import os ''' :param work_dir 训练结果目录 :return 最好的map对应的epoch路径 ''' def getBestEpoch(work_dir): global maxEpoch fileList = os.listdir(work_di...
MMDetect2.0模型下载地址
whunamikey的专栏
07-10 496
MMDetect2.0模型下载地址 MMDetect2.0运行demo的时候,会遇到跑完前向之后,什么结果也没有画出来,原因是模型不匹配 模型可以在如下网址查询 https://open-mmlab.s3.ap-northeast-2.amazonaws.com/ 举个例子 https://open-mmlab.s3.ap-northeast-2.amazonaws.com/加上后面的相对路径即可 mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_caffe_fpn_
mmdetection 自定义训练配置
08-29
对于使用mmdetection进行自定义训练的配置，你可以按照以下步骤进行操作： 1. 准备数据集：确保你的数据集符合mmdetection要求的格式。你需要创建一个包含训练图片和对应标注的文件夹，并生成一个对应的JSON文件来描述目标类别、图片路径和标注信息。 2. 配置模型：在mmdetection的配置文件中，你可以选择合适的预训练模型作为基础，并对其进行调整以满足你的需求。配置文件通常位于`configs`文件夹下，你可以根据实际情况选择对应的配置文件。 3. 修改配置文件：打开你选择的配置文件，并根据你的需求进行修改。主要关注以下几个方面： - 数据集配置：设置数据集路径、类别数和类别名称等信息。 - 训练参数配置：设置训练的迭代次数、学习率、学习率衰减策略等。 - 模型结构配置：根据数据集和任务类型，调整模型结构相关的参数，如anchor大小和数量、FPN特征金字塔层数等。 4. 配置训练脚本：在mmdetection中，可以使用`tools/train.py`脚本进行训练。你需要在命令行中指定配置文件和保存模型的路径等信息。 例如，运行以下命令开始训练： ``` python tools/train.py <config_file> --work-dir <output_dir> ``` 其中`<config_file>`是你修改后的配置文件路径，`<output_dir>`是模型保存的路径。 以上是mmdetection进行自定义训练的基本步骤和配置方法。你可以根据具体需求对配置文件进行调整，以获得更好的训练效果。
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
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