这里不再介绍 mmdetection 的安装和配置，使用 mmdetection 较简单的方法是使用已安装 mmdetection 的 docker 容器。这样直接省去了安装 mmdetection 的过程，让重心放在模型训练上！

如果你对 docker 和 mmdetection 还不是很熟悉，请自行搜索一下，本文就不再赘述了。

这里附上 mmdetection 的 GitHub 地址：

https://github.com/open-mmlab/mmdetection

0. 前期准备

首先默认你的电脑已经做好了下面这些前期准备工作：

Ubuntu 16.04 或以上
GPU
安装 cuda
安装 cudnn
安装 docker
安装 nvidia-docker

当然，如果你连接的是公司或学校的服务器，且服务器已经做了上面几点准备，那你只需要一个 Xshell 远程登录服务器就行了。

1. 准备工作：下载含 mmdetection 的 docker 镜像

首先，我们需要找到一个已经配置好 mmdetection 环境的 docker 镜像。可以在 dockerhub 上用 “mmdetection” 作为关键词进行搜索，也可以在 terminal 里直接使用命令 docker search 进行搜索：

$ docker search mmdetection

结果显示如下图所示：

这里，我们选择排第一的 vistart/mmdetection 镜像，下载 docker 镜像的方法也很简单，使用 docker pull 从镜像仓库中拉取指定镜像：

$ docker pull vistart/mmdetection

如果网络没问题，下载会在几分钟之内完成。下载完成之后，我们就可以查看 vistart/mmdetection 镜像是否已经放在本地镜像种了：

$ docker images

可以看到 vistart/mmdetection 镜像已经成功下载了。

2. 新建含 mmdetection 的容器

包含 mmdetection 的镜像已经下载好了，下一步就是新建一个 docker 容器以供使用了：

$ docker run --runtime=nvidia --name mm_prj -i -t vistart/mmdetection /bin/bash

对上面的命令解释一下：--runtime=nvidia 很关键，能使新建的 docker 容器能使用宿主机器的 GPU，不加这个参数则默认使用 CPU；--name mm_prj 是对新建的 docker 容器进行命名，该名称为 mm_prj，读者可自行修改。

新建容器之后的界面如下：

至此，名为 mm_prj 容器已经打开了。可以看到，该目录中已经包含了 mmdetection 目录，表示该 docker 镜像已经安装好了 mmdetection。

补充：

另外，补充一些退出容器、进入容器的操作。

退出容器：

# exit

查看现有容器：

$ docker ps -a

可以看到，名为 mm_prj 的 docker 容器已经在容器列表了。

打开容器：

$ docker start mm_prj
$ docker exec -i -t mm_prj /bin/bash

3. 导入自己的 VOC 数据

这一步，我们需要把自己的数据打包成 Pascal VOC 格式。其目录结构如下：

VOCdevkit
--VOC2007
----Annotations
----ImageSets
------Main
----JEPGImages

简单介绍一下，其中 Annotations 存放的是 .xml 文件，JEPFImages 存放的是 .jpg 图片。

按照此格式放置好自己的训练数据之后，需要切分训练数据和测试数据。在 VOCdevkit 目录下新建一个 test.py 文件。test.py 内容为：

import os
import randomtrainval_percent = 0.8
train_percent = 0.8
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

上面的代码划分数据集，trainval 占 80%，作为训练集；test 占 20%，作为测试集。

运行 test.py，将会在 VOCdevkit/ImageSets/Main 目录下生成下面三个文件：

打开文件可以看到，trainval.txt 包含训练时所有的样本索引，test.txt 包含测试时所有的样本索引。

自己的 VOC 数据制作完毕之后，从宿主机（Ubuntu）复制到 /mmdetection/data/ 目录下：

$ docker cp VOCdevkit mm_prj:/mmdetection/data/

4. 修改 class_names.py 文件

打开 /mmdetection/mmdet/core/evaluation/class_names.py 文件，修改 voc_classes 为将要训练的数据集的类别名称。如果不改的话，最后测试的结果的名称还会是’aeroplane’, ‘bicycle’, ‘bird’, ‘boat’,…这些。改完后如图：

5. 修改 voc.py 文件

打开 mmdetection/mmdet/datasets/voc.py 文件，修改 VOCDataset 的 CLASSES 为将要训练的数据集的类别名称。

如果只有一个类，要加上一个逗号，否则将会报错。

6. 修改配置文件

mmdetection 中提供了很多目标检测模型可供使用。例如，进入 /mmdetection/config/ 目录，就会看到很多模型：

根据我们选择使用的模型，修改相应的配置文件。本文我们使用的是FasterRCNN 模型，修改的是 faster_rcnn_r50_fpn_1x.py 文件。

6.1 修改 num_classes 变量

打开 faster_rcnn_r50_fpn_1x.py，将 num_classes 变量改为：类别数 + 1（例如我有 20 类，因此改为 21）：

6.2 修改 data_settings

因为 faster_rcnn_r50_fpn_1x.py 默认使用的是 coco 数据集格式，我们要对其修改成相应的 VOC 数据格式。修改后的内容如下图所示：

6.3 调整学习率

本文使用单 gpu 训练，修改 img_per_gpu = 2，workers_per_gpu = 0。

对学习率的调整，一般遵循下面的习惯：

8 gpus、imgs_per_gpu = 2：lr = 0.02；
2 gpus、imgs_per_gpu = 2 或 4 gpus、imgs_per_gpu = 1：lr = 0.005；
4 gpus、imgs_per_gpu = 2：lr = 0.01

这里，我们只使用单 gpu，且 img_per_gpu = 2，则设置 lr = 0.00125。

这里说一下 epoch 的选择，默认 total_epoch = 12，learning_policy 中，step = [8,11]。total_peoch 可以自行修改，若 total_epoch = 50，则 learning_policy 中，step 也相应修改，例如 step = [38,48]。

至此，配置文件已修改完毕。

7. 模型训练

模型训练非常简单，只需一行命令：

python3 ./tools/train.py ./configs/faster_rcnn_r50_fpn_1x.py

注意执行上面的命令是在 /mmdetection 目录下。

如果有多个 gpu，例如 0, 1 号 gpu 都可用，则可以全部用起来训练，命令如下：

CUDA_VISIBLE_DEVICES=0,1 python3 ./tools/train.py ./configs/faster_rcnn_r50_fpn_1x.py --gpus 2

上面的 --gpus 2 表示使用的 gpu 个数为 2。如果使用多块 gpu，注意修改学习率 lr。

然后，训练就开始了：

从打印出的信息中，可以看到当前的 epoch 和 loss 值。

每个 epoch 会生成一个模型，并自动保存在 /mmdetection/work_dirs/faster_rcnn_r50_fpn_1x/ 目录下。

训练完成之后，latest.pth 即 epoch_12.pth 就是最终的模型。

8. 模型测试，计算 mAP

下面我们将使用训练好的模型对测试集进行验证，并计算 mAP。

8.1 生成 pkl 文件

首先，生成 pkl 文件：

python3 ./tools/test.py ./configs/faster_rcnn_r50_fpn_1x.py ./work_dirs/faster_rcnn_r50_fpn_1x/latest.pth --out=result.pkl

8.2 计算测试集 mAP

对测试集计算 mAP，只需一行命令：

python3 ./tools/voc_eval.py result.pkl ./configs/faster_rcnn_r50_fpn_1x.py

计算结果如下：

图中可以看到，最后计算的 mAP = 0.978。

一步一步教你在 docker 容器下使用 mmdetection 训练自己的数据集相关推荐

Docker容器下Redis/ES/RabbitMQ/MongoDB/FastDFS启动命令总结
docker 部署etcd Etcd:一个分布式的k-v存储服务 Etcd官网https://etcd.io/ etcd安装 1. 拉取bitnami/etcd镜像 docker pull bitna ...
docker容器下mysql更改WordPress的site address和home（URL）
转载先简单介绍下,用docker安装的WordPress,mysql是在docker容器中的,并未在Ubuntu(我把WordPress是安装Ubuntu系统上),即WordPress和Ubuntu ...
Docker容器下mysql数据库权限Access denied for user ‘‘@‘172.17.0.1‘ (using password: YES)
安装环境安装在docker容器里面指令如下 docker start mysql 5.7 docker exec -it mysql5.7 bash mysql -uroot -p123456 g ...
【云原生Docker容器下的灯塔资产收集】
一.下载二.传输 1.配置参数 2.重启ssh服务 3.传输文件 4.解压 5.下载docker容器
Docker容器下 mysql source 导入数据库
查看当前MySQL容器 docker ps /root/tmp/mysql.sql :储存sql文件 8c896437cc56 :mysql 容器id 进入容器内部 docker exec -it 8 ...
基于docker容器下mongodb 4.0.0 的Replica Sets+Sharded Cluster集群
目标使用三台物理机做数据库集群任意一台宕机之后不会影响线上的业务运转不会有任何的数据丢失方案采用的是Replica Sets+Sharded Cluster的集群具有高可用,故障转移,分布 ...
【kafka】kafka jmx docker 容器下跨容器连接没有到主机的路由 host unreachable
文章目录 1.概述 1.概述我的一个程序,程序的内容是topic消息入栈速率但是有些环境是可以的,有些环境是不可以的.报错如下下面我打印的日志:连接 kafkanode1:34567 没有成功. ...
docker容器下mongodb 4.0.0 的Replica Sets+Sharded Cluster集群
https://segmentfault.com/a/1190000023144572
docker容器化python开发环境_如何 Docker 化 Python Django 应用程序
Docker 是一个开源项目,为开发人员和系统管理员提供了一个开放平台,可以将应用程序构建.打包为一个轻量级容器,并在任何地方运行.Docker 会在软件容器中自动部署应用程序. Django 是一个 ...

一步一步教你在 docker 容器下使用 mmdetection 训练自己的数据集