MMDetection代码实战

最新推荐文章于 2025-01-15 15:52:42 发布

那是真的牛皮

最新推荐文章于 2025-01-15 15:52:42 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

文章标签： python 开发语言

本文链接：https://blog.youkuaiyun.com/qq_42186444/article/details/131144290

文章介绍了如何在MMDetection框架中进行目标检测的代码实战，包括设置配置文件、构建cfg、数据集处理、模型训练和测试。通过示例展示了如何验证配置正确性以及使用工具进行可视化和特征分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

title: mmdet代码实战
date: 2023-06-10 17:01:45
tags: [detection,pytorch]

MMDetection代码实战

这一届主要讲解了，如何构建cfg，如何在目标检测上设置自己的配置文件。主要的思维导图如下
在这里插入图片描述

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rMQxAM5c-1686388446945)(https://fastly.jsdelivr.net/gh/weijia99/blog_image@main/1686387759691MMDetection%E4%BB%A3%E7%A0%81.png)]

1.安装

直接跳过

2.设置配置文件

我们首先设置metainfo，因为只有一个猫类，所以我们只写猫，还有类别是1，那么head头输出就是1，然后设置dataset，首先是设置metainfo，然后就是设置json文件，还有iimg的文件，之后就是设置学习率，还有一些保存checkpoint的配置。

为了验证模型的数据对不对，我们使用自定义代买来进行检查，传入到cfg，之后吧dataset进行可视化

# 现在是测试cfg对不对的
from mmdet.registry import DATASETS,VISUALIZERS
from mmengine.config import Config
from mmengine.registry import init_default_scope
import matplotlib.pyplot as plt
import os
cfg = Config.fromfile('./rtmdet_tiny_1xb12-40e_balloon.py')
init_default_scope(cfg.get('default_scope','mmdet'))

dataset = DATASETS.build(cfg.train_dataloader.dataset)
visualizer = VISUALIZERS.build(cfg.visualizer)
visualizer.dataset_meta = dataset.metainfo

plt.figure(figsize=(16,5))

for i in range(8):
    item = dataset[i]
    img = item['inputs'].permute(1,2,0).numpy()
    data_sample = item['data_samples'].numpy()
    gt_instances =data_sample.gt_instances
    img_path = os.path.basename(item['data_samples'].img_path)
    
    gt_bboxes = gt_instances.get('bboxes',None)
    gt_instances.bboxes = gt_bboxes.tensor
    data_sample.gt_instances = gt_instances
    
    visualizer.add_datasample(
        os.path.basename(img_path),
        img,
        data_sample,
        draw_pred=False,
        show = False,
    )
    drawed_image = visualizer.get_image()
    
    plt.subplot(2,4,i+1)
    plt.imshow(drawed_image[...,[2,1,0]])    
    plt.title(img_path)
    plt.xticks([])
    plt.yticks([])

之后就是训练阶段，使用train来进行训练

3.测试与分析

测试与之前一样，使用test来测，使用–show dir可以可视化。之后就是对图像进行特征化，这个时候需要借助mmyolo的功能，因此需要下载mmyolo

python demo/featmap_vis_demo.py 5555705118_3390d70abe_b.jpg ../mmdetection/rtmdet_tiny_1xb12-40e_balloon.py ../mmdetection/work_dirs/rtmdet_tiny_1xb12-40e_balloon/best_coco_bbox_mAP_epoch_80.pth --channel-reduction squeeze_mean --target-layers neck

python demo/boxam_vis_demo.py 5555705118_3390d70abe_b.jpg ../mmdetection/rtmdet_tiny_1xb12-40e_balloon.py ../mmdetection/work_dirs/rtmdet_tiny_1xb12-40e_balloon/best_coco_bbox_mAP_epoch_80.pth --target-layer neck.out_convs[2]