w1520039381的博客

我们基本上将模型组件分为 5 种类型。骨干：通常是一个 FCN 网络来提取特征图，例如 ResNet、MobileNet。颈部：骨干和头部之间的组件，例如FPN、PAFPN。head：特定任务的组件，例如 bbox 预测和掩码预测。roiextractor：从特征图中提取RoI特征的部分，例如RoI Align。loss：用于计算损失的 head 组件，例如FocalLoss、L1Loss 和 GHMLoss。开发新组件添加新的主干这里我们以 MobileNet 为例展示如何开发新组件。

MMDetection 为用户提供了不同的损失函数。但是默认配置可能不适用于不同的数据集或模型，因此用户可能希望修改特定的损失以适应新的情况。本教程首先阐述了损失的计算管道，然后给出了如何修改每个步骤的说明。修改可分为调整和加权。损失的计算管道给定输入预测和目标以及权重，损失函数将输入张量映射到最终损失标量。映射可以分为四个步骤：设置采样方法为对正负样本进行采样。通过损失核函数获得逐元素或逐样本的损失。使用权重张量元素加权损失。将损失张量减少到一个标量。用标量加权损失。

在 COCO 数据集上预训练的检测器可以作为其他数据集（例如 CityScapes 和 KITTI 数据集）的良好预训练模型。本教程指导用户将Model Zoo 中提供的模型用于其他数据集以获得更好的性能。在新数据集上对模型进行微调有两个步骤。按照教程 2：自定义数据集添加对新数据集的支持。修改本教程中将讨论的配置。以 Cityscapes Dataset 的微调过程为例，用户需要修改配置中的五个部分。继承基本配置为了减轻编写整个配置的负担并减少错误，MMDetection V2.0 支持从多个

mmdetection中的faster-rcnn训练自己的voc数据集1、首先先安装好mmdetection2、安装好后在mmdetection文件夹下新建一个data数据集把voc数据集放进去3、然后找到你的目录下的config/faster-RCNN/faster_rcnn_r50_fpn_1x_voc0712.py（如果没有自己建一个），内容如下_base_ = [ '../_base_/models/faster_rcnn_r50_fpn.py', '../_base_/da

在自定义数据集上进行训练基本步骤如下：1、准备自定义数据集2、准备配置文件3、在自定义数据集上进行训练，测试和推理。准备自定义数据集MMDetection 一共支持三种形式应用新数据集：1、将数据集重新组织为 COCO 格式。2、将数据集重新组织为一个中间格式。3、实现一个新的数据集。我们通常建议使用前面两种方法，因为它们通常来说比第三种方法要简单。在本文档中，我们展示一个例子来说明如何将数据转化为 COCO 格式。注意：MMDetection 现只支持对 COCO 格式的数据集进行

官方文档：MMDetection–》点击进入**第一步 安装相关环境**1、MMDetection提供了GPU与CPU两个版本，但是cpu版本可用的算法会少很多。2、参考我的前一篇博文安装好cuda等等环境3、MMDetection所支持的最低依赖Linux 和 macOS （Windows 理论上支持）Python 3.6+PyTorch 1.3+CUDA 9.2+ （如果基于 PyTorch 源码安装，也能够支持 CUDA 9.0）GCC 5+MMCV4、开始安装M