使用MMDetection训练自己的数据集3

Charley_3397

已于 2025-02-26 14:13:56 修改

阅读量251

点赞数 3

文章标签：人工智能

于 2025-02-26 14:13:27 首次发布

本文链接：https://blog.youkuaiyun.com/qq_45050922/article/details/145876464

版权

三、数据集准备

1. 准备好coco格式的数据集

在mmdetection文件夹下新建一个data文件夹，再新建一个子文件夹名为coco，然后存放自己

的数据集；

2. 创建新的数据集类

进入mmdet/datasets这个文件夹里，并创建一个自己命名数据集的python文件，我的叫做

SSDD.py；

由于是coco格式的数据集，因此可以直接复制名为coco.py文件的内容到SSDD.py文件，然后修

改里面对应的内容。我们需要把coco.py中的类名、数据集中的类别和标注的颜色换成自己的数据

集的类名。

下图为我自己的SSDD.py类：

3. 录入数据集

在mmdet/datasets/init.py中仿照coco的格式把我们自己的数据集进行录入。

import的内容就是我们自定义的dataset名字；

最后在下面也要加上对应Dataset的名称；

仿照以上形式更改。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Charley_3397

关注关注

3
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

深度学习项目十一：mmdetection训练自己的数据集

m0_60890175的博客

01-05

1928

mmdetection训练自己的数据集

label studio 结合 MMDetection 实现数据集自动标记、模型迭代训练的闭环

风色幻想的博客

11-27

3658

一个 AI 方向的朋友因为标数据集发了篇 SCI 论文，看着他标了两个多月的数据集这么辛苦，就想着人工智能都能站在围棋巅峰了，难道不能动动小手为自己标数据吗？查了一下还真有一些能够满足此需求的框架，比如 [cvat](https://github.com/opencv/cvat) 、 [doccano](https://github.com/doccano/doccano) 、 [label studio](https://labelstud.io) 等，经过简单的对比后发现还是 label studio

参与评论您还未登录，请先登录后发表或查看评论

mmdetection训练自己的数据，用网络deformable_detr做示例，先用labelme标注转为coco格式，训练后测试并分析

黛玛日孜的博客

08-08

4240

1.标注labelme 2.将labelme标注的数据转为coco格式直接上代码： coco格式如下： 3.mmdetection训练自己的数据，用网络deformable_detr做示例 4.模型训练train.py（可视化标注文件browse_dataset.py） 5.DEMO演示image_demo.py 6.模型测试test.py 7.可视化分析模块confusion_matrix.py、analyze_results.py、analyze_logs.py等。其他可在官网查看 8.参数量计算量.

【训练平台】mmdetection训练自己的标注数据, 以faster RCNN ，yolo为例子

Hali_Botebie的博客

08-18

2365

用mmdetection做目标检测的训练还是比较简单的，但是目前代码尚不稳定，其中也有很多的坑，下面简单讲解一下如何用mmdetetection在VOC的数据集上进行模型的训练，算是对mmdetection的简单入门。制作VOC数据集 mmdetection支持VOC和COCO标注格式的数据集，本次我们使用VOC2007格式数据集，我这里数据集已经制作好了，目录如下： ...

mmdetection自定义数据集训练

Evan_qin_yi_quan的博客

06-29

3349

mmdetection使用自定义数据集训练详细记录

mmdetection的使用总结

we34dfg的博客

03-06

3358

一资料链接： 1---mmdetection官方地址： https://github.com/open-mmlab/mmdetection 2---mmdetection安装与入门教程： https://blog.youkuaiyun.com/hajlyx/article/details/83542167 https://blog.youkuaiyun.com/long_xuan123/article/det...

【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

2804

使用MMDetection利用自定义数据集进行模型训练、测试、推理

在autodl使用MMdetection训练自己的数据集及训练结果展示

weixin_53622993的博客

10-17

970

首先，在平台租用实例时，可以在社区镜像中选择mmdetection，这样租用的实例就拥有mmdetection所需要的所有配置。（建议下载点击量第二的那个，第一个使用的是mmcv-full）

MMDetection训练COCO数据集新手快速上手

m0_63947712的博客

05-04

1948

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。

MMDetection3D对三维数据进行检测

03-28

MMDetection3D支持多种主流的三维检测算法，并提供了丰富的数据集接口和预训练模型，使得用户能够方便地进行三维目标检测的研究和应用。使用MMDetection3D对三维数据进行检测主要涉及以下几个步骤：安装和配置MM...

商汤开源目标检测工具箱mmdetection代码详解（三）----------mmdetection数据的输入、处理过程

ZJE

08-11

9900

mmdetection版本：2.0 mmcv版本：0.5.5 mmdetection和mmcv的关系是，mmdetection一些功能代码是直接通过调用mmcv的api实现的。 ============================================================================ 为了观察在mmdetection中数据是怎么读入和做了哪些操作，变成我们训练时的样子的，我们还是从程序的起始文件 tools/train.py看起。在 tools/trai

mmdetection自定义数据集进行训练

xiangxianghehe的博客

05-04

9603

mmdetection对coco数据优先支持。所以在开始之前建议把自己数据修改为标准的coco格式，各种类型数据转coco格式脚本见：转换工具箱。第一步当然是定义数据种类，需要修改的地方在mmdet\datasets。在这个目录下新建一个文件，例如:my_data.py，然后把coco.py的内容复制过来，修改class类名为MyDataset最后把CLASSES的那个tuple改为自己数...

mmdetection入坑日记（二）数据集制作

_提拉米苏的博客

05-22

884

mmdetection入坑日记（二）数据集制作可以写一个制作数据集的脚本，每次跑起来就比较方便了 coco数据集官网上给出的格式如下： 'images': [ { 'file_name': 'COCO_val2014_000000001268.jpg', 'height': 427, 'width': 640, 'id': 1268 }, ... ], 'annotations': [ {

mmdetection训练自己的VOC数据集

机器视觉爱好者的博客

06-24

1万+

官方步骤： https://github.com/open-mmlab/mmdetection/blob/master/GETTING_STARTED.md 首先根据规范的VOC数据集导入到项目目录下，如下图所示： mmdetection ├── mmdet ├── tools ├── configs ├── data │ ├── VOCdevkit │ │ ├── VOC200...

MMdetection v2.4.0之（支持的数据集目录结构、转化标准数据集和定制自定义数据集）

qq_41627642的博客

05-13

2703

要支持新的数据格式，可以将它们转换为现有格式(COCO格式或PASCAL格式)，也可以直接将它们转换为中间格式。您还可以选择离线转换(在通过脚本进行训练之前)或在线转换(实现一个新的数据集并在训练时进行转换)。在MMDetection中，我们建议将数据转换为coco格式并离线进行转换，这样你只需要在数据转换后修改配置的数据注释路径和类。 1、将新的数据格式重新组织为现有格式最简单的方法是将数据集转换为现有的数据集格式(COCO或PASCAL VOC)。 oco格式的注释json文件有以下必要的键: 'im

制作coco数据集，并在mmdetection上实验

qq_39804263的博客

04-07

1155

一、dataset2coco 首先将标注好的json和img放在同一个文件夹中，取名为images。 format.py 统一修改json中的img_path。将路径修改为统一格式。×××.jpg format.py 代码如下： import os import re dir_path = '/home/chenghiuyi/03 DLA-CHD/DLA-CHD_TRAIN_NO_CHECK/逻辑分类/01 data/images/' pattern = re.compile('"imagePath"

【MMDetection 系列：二】详细步骤使用教程，如何修改来跑自己的数据集

鹿鹿的博客

07-31

1万+

MMDetection 我的理解首先要安装环境，conda create ，按照官网五步走，安装配置好接着修改configs 文件里面的配置文件，修改 num_class （类别+1）以及 work_dir 路径，以及 train 、validation、test 的data 路径接着制作数据，因为我的数据和 voc 很像，制成voc格式 mmdetection ├── mmdet ├...

【mmdetection】使用自定义的coco格式数据集进行训练及测试

最新发布

05-13

<think>好的，用户想了解如何使用MMDetection框架训练自定义数据集，特别是配置文件的准备和数据准备的步骤。首先，我需要回忆一下之前用户提供的引用内容，看看有没有相关的信息。引用1到5提到了数据集的格式要求，特别是COCO格式的结构，比如annotations文件夹下的JSON文件，以及train2017和val2017的图片目录。用户可能已经通过labelme标注了数据，需要转换成COCO格式，但转换过程中可能会遇到类别定义的问题，如引用5中的错误提示，说明类别需要是元组形式，即使是单个类别也要加逗号。接下来，用户需要具体的步骤指导。根据引用2，用户使用labelme进行标注，生成JSON文件后需要转换成COCO格式。可能需要使用官方提供的转换脚本或者第三方工具。然后划分训练集和验证集，确保图片路径正确。引用4提到在configs目录下找到模型配置文件，例如faster-rcnn，并进行修改，调整数据集路径和类别信息。用户的问题还包括配置文件的修改，比如数据路径、类别数和优化器参数。需要指导用户修改数据集路径指向自己的数据集，替换CLASSES为自定义类别，并调整模型中的num_classes。此外，引用3提到模型在小物体检测上表现不佳，可能需要调整anchor大小或其他超参数，但用户当前的问题可能更基础，先确保数据准备正确。可能用户遇到的常见问题包括数据集路径配置错误、类别定义格式不正确、JSON文件格式不符合COCO标准等。需要提醒用户注意这些点，并参考引用5中的错误示例，确保CLASSES是元组形式。此外，数据增强部分可能也需要根据实际情况调整配置文件中的pipeline。总结步骤：数据准备（转换格式、划分数据集）、修改配置文件（数据集路径、类别数、优化器）、训练命令和验证。最后，常见问题解答可以帮助用户避免常见错误，如路径错误、类别格式错误等。</think>以下是使用MMDetection训练自定义数据集的完整指南，重点说明数据准备和配置文件修改的关键步骤： ### 一、数据准备规范 1. **数据集格式要求** - 必须转换为COCO格式，目录结构如下： ``` data ├── coco │ ├── annotations │ │ ├── instances_train.json │ │ └── instances_val.json │ ├── train │ └── val ``` - 标注文件使用JSON格式，需包含`images`、`annotations`、`categories`三个核心字段[^1][^5] 2. **格式转换流程** ```python # 使用labelme转换工具示例 from labelme2coco import convert convert('labelme_json_dir', 'output_coco_json', 'dataset_name') ``` - 需注意单类别情况必须定义为元组形式：`CLASSES = ('hand',)`[^5] - 推荐使用官方转换工具或第三方已验证脚本（如labelme2coco） ### 二、配置文件修改 1. **基础配置修改** ```python # 以faster_rcnn为例修改configs/faster_rcnn_r50_fpn_1x_coco.py # 数据集路径配置 data = dict( train=dict( ann_file='data/coco/annotations/instances_train.json', img_prefix='data/coco/train/'), val=dict( ann_file='data/coco/annotations/instances_val.json', img_prefix='data/coco/val/')) # 类别定义 CLASSES = ('cat', 'dog', 'person') # 替换为实际类别 model = dict( roi_head=dict( bbox_head=dict(num_classes=3))) # 必须与CLASSES数量一致 ``` 2. **训练参数调整** ```python # 优化器配置（参考GPU数量调整） optimizer = dict(type='SGD', lr=0.02/8, momentum=0.9, weight_decay=0.0001) # 学习率策略 lr_config = dict( policy='step', warmup='linear', warmup_iters=500, warmup_ratio=0.001, step=[8, 11]) ``` ### 三、训练执行命令 ```bash # 单GPU训练 python tools/train.py configs/faster_rcnn_r50_fpn_1x_coco.py # 多GPU分布式训练 ./tools/dist_train.sh configs/faster_rcnn_r50_fpn_1x_coco.py 8 ``` ### 四、验证与调试 1. **常见错误排查** - 路径错误：检查JSON文件中`image_path`与实际路径的对应关系 - 类别不匹配：确认`num_classes`与`CLASSES`长度一致[^5] - 内存不足：减小`samples_per_gpu`值（在data配置中） 2. **性能优化建议** ```python # 在配置文件中添加数据增强 train_pipeline = [ dict(type='RandomFlip', flip_ratio=0.5), dict(type='Resize', img_scale=(1333, 800), keep_ratio=True), dict(type='RandomCrop', crop_size=(800, 800)) ] ``` ### 常见问题解答 **Q1: 如何解决`CLASSES`格式错误？** A: 必须使用元组格式，单类别时写成`('classname',)`，注意末尾逗号 **Q2: 训练时出现标注不匹配错误？** A: 检查JSON文件中category_id是否从1开始，且与CLASSES顺序一致 **Q3: 如何评估自定义数据集效果？** ```bash python tools/test.py configs/xxxx.py work_dirs/xxxx/latest.pth --eval bbox ```