扫盲：mmdetection安装以及训练自己的数据集

一、安装

# 创建环境名为mmdet
conda create -n mmdet python=3.7
# 激活环境mmdet
conda activate mmdet
# 安装pytorch1.6
# 安装torchvision0.7.0
# 安装cuda，此处注意cuda版本要对应上或电脑已经安装了更高的版本，cuda版本向下兼容，电脑安装最新的cuda并把驱动升级到最新。
conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.2 -c pytorch
# 安装对应版本的mmcv-full，这个是官方已经给编译过的，安装时注意版本与上一步相同。cu102为cudatoolkit10.2，torch1.6.0为pytorch1.6.0。对应不上安装时看不出来，用的时候必报错，而且找不到原因。而且这是官方编译好的，意味着不能瞎改pytorch版本。
pip install mmcv-full==1.4.6 -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.6.0/index.html
# 安装mmdet，安装检测模块的需要的包
pip install mmdet
# 安装mmrotate，安装旋转检测模块需要的包，这个不用mmrotate可不安
pip install mmrotate
# 也可以用另一种方法安装mmrotate
git clone https://github.com/open-mmlab/mmrotate.git
cd mmrotate
pip install -r requirements/build.txt
pip install -v -e .  

1.报错不要慌，领悟每个命令行作用的同时，看看版本对没对上，csdn好多博文版本没对上或者用mim安装导致各种报错。

2.安装失败，这只是一种可能，看看是否安装了VS2019 C++buildtool，因为之前安装pycocotool的时候因为没安装这个工具导致安装不上。安装这个工具即使不需要，也没有任何害处，可能将来会用到。

二、demo演示文件测试效果

进入image_demo.py文件，读一读。

# ....
def parse_args():
    parser = ArgumentParser()
    parser.add_argument('img', help='Image file')
    parser.add_argument('config', help='Config file')
    parser.add_argument('checkpoint', help='Checkpoint file')
# ....

 稍加修改，让配置参数时，更加规整而且配置时一一对应，更加严谨。

# ....
def parse_args():
    parser = ArgumentParser()
    parser.add_argument('--img', help='Image file')
    parser.add_argument('--config', help='Config file')
    parser.add_argument('--checkpoint', help='Checkpoint file')
# ....

pycharm中配置参数：1.图片路径2.模型路径3.权重路径；此处的模型与权重最好时完全对应上。

--img
D:\\Project\\mmdetection-master\\demo\\demo.jpg
--config
D:\\Project\\mmdetection-master\\configs\\faster_rcnn\\faster_rcnn_r50_fpn_1x_coco.py
--checkpoint
D:\\Project\\mmdetection-master\\faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth

报个小错，无伤大雅。小小警告，一般都是告诉我xx已经淘汰了；被xx替代了；建议替换等等。

 结果出来了，意味着你的环境配置已经问题不大了，后面如果缺组件，在现在的环境内pip install xxx即可。

三、简单的口罩检测——训练自己的数据集

1.首先准备好数据集——一些未标注的图片

 2.用labelme标注软件进行标注

labelme安装很简单，在本环境安装就行。

# 安装pyqt5
pip install pyqt5
# 安装labelme
pip install labelme
# 运行labelme
labelme

标注过程过于简单，不赘述。注意:

（1）不要乱改标注后的json文件名，要一一对应。

（2）矩形框标注从左上到右下符合图片坐标的规定。

3.json to coco，格式转换。

 运行一下脚本，注意输入文件位置与输出文件位置。

import os
import json
import numpy as np
import glob
import shutil
import cv2
from sklearn.model_selection import train_test_split

np.random.seed(41)

classname_to_id = {
    "mask": 0, #改成自己的类别
    "person": 1
}


class Lableme2CoCo:

    def __init__(self):
        self.images = []
        se