mmdetction使用指南

一、简介
参考:https://blog.youkuaiyun.com/Adam897/article/details/127534510
MMDetection是MMLab家族的一员,是由香港中文大学和商汤科技共同推出的,以一个统一的架构支撑了15个大方向的研究领域。MMDetection依赖Pytorch和MMCV,因此安装之前需要先安装这两个库。MMCV有两mmcv-full和mmcv两个版本,两者差别在于是否包含CUDA操作,如果不需要使用CUDA可以安装mmcv,不过官方还是推荐安装完整版的mmcv-full。还有MMDetection3D,后续使用到再做研究。
二、安装
参考:https://blog.youkuaiyun.com/ArthurHai521/article/details/138356084
1、在线安装

pip install mmcv
pip install mmdet

2、离线安装

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -v -e .

去官网指定下载地址https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html下载对应版本mmcv:
mmcv-2.1.0-cp310-cp310-manylinux1_x86_64.whl
安装:pip install mmcv-2.1.0-cp310-cp310-manylinux1_x86_64.whl
验证是否安装成功

// An highlighted block
import os

from mmdet.apis import init_detector, inference_detector


def demo_mmdet():
    base_dir = r'D:\Program Files\Third_Part_Lib\mmdetection'       # mmdetection的安装目录

    config_file = os.path.join(base_dir, r'configs\faster_rcnn\faster_rcnn_r50_fpn_1x_coco.py')
    # download the checkpoint from model zoo and put it in `checkpoints/`
    # url: https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
    checkpoint_file = r'checkpoints\faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'

    # 根据配置文件和 checkpoint 文件构建模型
    model = init_detector(config_file, checkpoint_file, device='cuda:0')

    # 测试单张图片并展示结果
    img = os.path.join(base_dir, r'demo\demo.jpg') # 或者 img = mmcv.imread(img),这样图片仅会被读一次
    result = inference_detector(model, img)
    # 在一个新的窗口中将结果可视化
    model.show_result(img, result, out_file=None, show=True) ##有的版本可能报错没有show_result,就使用https://blog.youkuaiyun.com/csy1021/article/details/132080887方法


if __name__ == '__main__':
    demo_mmdet()

三、使用
1、添加自定义模型
https://blog.youkuaiyun.com/qq_41627642/article/details/124754147

要在mmdetection中添加自定义数据增强,可以按照以下步骤进行操作: 1. 创建自定义数据增强类 在mmdetection的代码中找到`mmdet/datasets/pipelines`文件夹,在该文件夹下面创建一个新的python文件,例如`my_augmentations.py`。在该文件中定义一个自定义的数据增强类,例如: ```python import numpy as np from mmdet.core.evaluation.bbox_overlaps import bbox_overlaps class MyAugmentation: def __init__(self, prob=0.5): self.prob = prob def __call__(self, results): if np.random.rand() < self.prob: # perform some data augmentation operations # ... return results else: return results ``` 在这个例子中,我们定义了一个名为`MyAugmentation`的类,它有一个`prob`参数,表示增强的概率,以及一个`__call__`方法,该方法将在数据增强时被调用。在`__call__`方法中,我们可以实现一些自定义的数据增强操作。这个例子中的操作是随机选择是否对数据进行增强。 2. 在配置文件中添加自定义数据增强 在使用自定义数据增强之前,我们需要在配置文件中添加它。找到你要使用的配置文件,例如`configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py`,并在`train_pipeline`和`test_pipeline`中添加自定义数据增强,例如: ```python train_pipeline = [ dict(type='LoadImageFromFile'), dict(type='LoadAnnotations', with_bbox=True), dict(type='RandomFlip', flip_ratio=0.5), dict(type='MyAugmentation', prob=0.5), dict(type='Normalize', **img_norm_cfg), dict(type='Pad', size_divisor=32), dict(type='DefaultFormatBundle'), dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels']), ] test_pipeline = [ dict(type='LoadImageFromFile'), dict( type='MultiScaleFlipAug', img_scale=(1333, 800), flip=False, transforms=[ dict(type='Resize', keep_ratio=True), dict(type='RandomFlip'), dict(type='MyAugmentation', prob=0.5), dict(type='Normalize', **img_norm_cfg), dict(type='Pad', size_divisor=32), dict(type='ImageToTensor', keys=['img']), dict(type='Collect', keys=['img']), ] ) ] ``` 在这个例子中,我们在`train_pipeline`和`test_pipeline`中分别添加了一个`MyAugmentation`操作,其概率为0.5。注意,自定义操作需要在其他操作之前进行,因为它们可能会改变图像和标注框的大小和形状。 3. 运行训练和测试 添加自定义数据增强后,我们可以像平常一样运行训练和测试。在运行过程中,自定义数据增强会被应用到输入数据中,从而增加模型的鲁棒性和泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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