Faster rcnn 训练自己的数据集解决方案

最新推荐文章于 2025-10-25 14:30:00 发布

原创最新推荐文章于 2025-10-25 14:30:00 发布 · 3.7k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #目标检测 #caffe

计算机视觉专栏收录该内容

42 篇文章

订阅专栏

本文详细记录了在Ubuntu 20.04系统上，使用MMDetection v2.11训练自定义COCO数据集的全过程，包括环境配置、解决`num_classes`不匹配问题的方法，以及训练启动和参数调整的步骤。通过修改配置文件，将类别数设置为4，并指定数据集路径，成功启动训练并进行调参。

文件配置训练的过程可以看

【mmdetection】使用cascade-rcnn、faster-rcnn训练自定义的coco数据集_小鸠控的博客-优快云博客_faster rcnn训练coco数据集开始这篇文章主要是记录我第一次使用mmdetection工具包里面的cascade-rcnn训练自己模型的经过训练环境本次是使用的系统是linux的ubuntu20.04cuda=10.2cudnn=7.6.5anaconda=3（用于创建虚拟环境，后续的训练、测试模型也在这个虚拟环境中）(以上软件安装可以参考其他博客)pytroch=1.5.0torchvision=0.6.0cudatoolkit=10.2.89mmcv-full=1.3.1mmdetection=v2.11https://blog.youkuaiyun.com/qq_41627396/article/details/116453031

AssertionError: The `num_classes` (3) in Shared2FCBBoxHead of MMDataParallel does not matches the length of `CLASSES` 80) in CocoDataset

解决方案：

_base_ = [
    './faster_rcnn_r50_fpn_1x_coco.py'
]

print(_base_)

model = dict(
    roi_head=dict(
        bbox_head = dict(num_classes=4)
    )
)


dataset_type = 'COCODataset'
classes = ('',' id','','') #你自己数据集的类别


#你自己数据集的位置
data = dict(
    train = dict(
        img_prefix = '../../dataset/train/',
        classes = classes,
        ann_file= '../../dataset/train/_annotations.coco.json'),
    val = dict(
        img_prefix = '../../dataset/val/',
        classes = classes,
        ann_file= '../../dataset/val/_annotations.coco.json'),
)

开始训练

python tools/train.py custom_faster_rcnn/faster_rcnn.py --work-dir custom_faster_rcnn/work_dirs/faster_rcnn

然后运行一下中断

打开work_dirs文件

进行调参

Faster rcnn 训练自己的数据集 解决方案

Faster rcnn 训练自己的数据集解决方案