在Colab平台上用mmdetection中的Cascade RCNN训练自己的voc数据集
最近在学习目标检测，要用Cascde RCNN训练自己的数据集，因为本地电脑没有GPU，所以就借用Colab云端来进行模型训练，想要记录一下操作过程，以及希望可以给更多电脑没有GPU，但是需要用mmdetection做项目的同种情况的人一些参考。
目录
一、Colab平台准备（要先做到科学上网才能使用Colab）
1、上传自己的数据集
2、配置使用Colab
二、在Colab上配置mmdetection环境并训练
1、下载mmdetection
2、配置数据集
3、安装mmdete所需要的依赖包和环境，因为Colab上面已经配置了pytorch和cuda，所以配置过程很简单
4、进行相关参数的修改
5、开始训练数据集
三、总结
一、Colab平台准备（要先做到科学上网才能使用Colab）
1、上传自己的数据集
数据集的制作过程不做多余赘述，可以在CSDN上找到很多参考资料，本文使用的数据集是voc2007数据集，如果是自己本地制作的数据集，就需要先上传到谷歌云盘。
官网链接:https://drive.google.com/drive/my-drive
点击新建，新建文件夹data存放数据集，然后打开data文件，直接将数据集拖拽就可以完成数据集的上传
2、配置使用Colab
点击新建，新建Colab项目，命名为Mmdetection-master
修改配置，点击代码执行程序，点击更改运行时类型，将加速器更改为GPU，这样就可以白嫖GPU了。
输入代码查看显卡配置
!nvcc -V
!gcc --version
!rm -rf /content/sample_data
#查看分配的显卡配置，建议刷到v100
!nvidia-smi挂载云盘，连接到自己的谷歌云盘
from google.colab import drive
drive.mount('/content/drive')
点击刷新就会出现自己的云盘文件夹
二、在Colab上配置mmdetection环境并训练
这里有官网的文档，大家也可以做一个参考https://mmdetection.readthedocs.io/en/stable/get_started.html
1、下载mmdetection
%cd /content
!rm -rf mmdetection
!git clone https://github.com/open-mmlab/mmdetection.git
#新建一个存放数据集的文件夹
!mkdir mmdetection/data2、配置数据集
#将云盘里的数据集复制到mmdet项目里面
!cp -r /content/drive/MyDrive/data/VOCdevkit -d /content/mmdetection/data/VOCdevkit
#!cp -r 源地址 -d 目标地址一定要注意数据集的目录是下图的格式
3、安装mmdete所需要的依赖包和环境，因为Colab上面已经配置了pytorch和cuda，所以配置过程很简单
先切换到mmdetection项目
#切换当前目录
%cd /content/mmdetection# 成功配置
!pip install -U openmim
!mim install mmcv-full!pip install -r requirements/build.txt
!python setup.py develop要注意两段代码的先后过程，如果反了就会在训练的时候出现以下出现错误，如果出现了，建议卸载mmdet，!pip uninstall mmdet，再重新利用第二段代码进行mmdet安装
# AssertionError: The `num_classes` (4) in Shared2FCBBoxHead of MMDataParallel does not matches the length of `CLASSES` 20) in RepeatDataset
然后用下面代码测试相关环境是否安装成功
import mmdet
print(mmdet.__version__)# Check mmcv installation
from mmcv.ops import get_compiling_cuda_version, get_compiler_version
print(get_compiling_cuda_version())
print(get_compiler_version())
4、进行相关参数的修改
这里参考了相关文章https://blog.csdn.net/weixin_45798949/article/details/107976157
这里选用cascade_rcnn方法，也可以选择fasterrcnn方法，修改类似
1.修改：mmdetection/configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py
_base_ = ['../_base_/models/cascade_rcnn_r50_fpn.py','../_base_/datasets/coco_detection.py','../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]
改：
_base_ = ['../_base_/models/cascade_rcnn_r50_fpn.py','../_base_/datasets/voc0712.py','../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]
2.修改：mmdetection/configs/_base_/datasets/voc712.py
找到，并注释掉一句voc2012
data = dict(samples_per_gpu=2,workers_per_gpu=2,train=dict(type='RepeatDataset',times=3,dataset=dict(type=dataset_type,ann_file=[data_root + 'VOC2007/ImageSets/Main/trainval.txt',#data_root + 'VOC2012/ImageSets/Main/trainval.txt'], # 把含有VOC2012的路径去掉img_prefix=[data_root + 'VOC2007/', data_root + 'VOC2012/'],pipeline=train_pipeline)),
3.修改：mmdetection/configs/_base_/models/cascade_rcnn_r50_fpn.py
num_classes的值，一共三处，分别修改，不然报错。
根据自己的分类的个数，不需要
考虑背景+1，一类就写1
如果想换预训练模型
model = dict(type='CascadeRCNN',pretrained='torchvision://resnet50',#可欢resnet101等4.修改：mmdetection/mmdet/core/evaluation/class_names.py
def voc_classes():return ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat','chair', 'cow', 'diningtable', 'dog', 'horse', 'motorbike', 'person','pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor']#对应换成自己标签。
def voc_classes():return ['lf', ]#我是一类，后面加逗号
5.修改：mmdetection/mmdet/datasets/voc.py
class VOCDataset(XMLDataset):CLASSES = ('aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car','cat', 'chair', 'cow', 'diningtable', 'dog', 'horse','motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train','tvmonitor')
修改同上修改完成之后重新进行编译
!python setup.py develop5、开始训练数据集
因为Colab特别容易掉线，所以建议先配置一下Colab网页防止掉线
在任意网页端右键，点击检查，点击Console
添加一下代码
function ConnectButton(){console.log("Connect pushed"); document.querySelector("#top-toolbar > colab-connect-button").shadowRoot.querySelector("#connect").click()
}
setInterval(ConnectButton,60000);
然后开始美美训练
!python tools/train.py ./configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py
训练的结果权重都保存在work_dir目录下面，点击下载就可下载到本地使用了。
还有就是所有相关参数，例如学习率，epoch，backbone都在以下四个文件中，可以进行查找然后修改相关参数
_base_ = ['../_base_/models/cascade_rcnn_r50_fpn.py','../_base_/datasets/voc0712.py','../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]对于已经训练好了的模型权重可以这样进行测试使用
python demo/image_demo.py demo/img.jpg configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py work_dirs/cascade_rcnn_r50_fpn_1x_coco/epoch_48.pth --device cpu --out-file result1.jpg
#python 图片path configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py 权重path --device cpu --out-file 结果path更方便的是新建一个py文件进行编译
from mmdet.apis import init_detector, inference_detector
import mmcv# Specify the path to model config and checkpoint file
config_file = 'configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py'
checkpoint_file = 'work_dirs/cascade_rcnn_r50_fpn_1x_coco/epoch_48.pth'# build the model from a config file and a checkpoint file
model = init_detector(config_file, checkpoint_file, device='cpu')# test a single image and show the results
img = 'image/0060_Color.jpg'
# img = mmcv.imread(img) # which will only load it once
result = inference_detector(model, img)
# visualize the results in a new window
# 可视化推理检测的结果
model.show_result(img, result)
# or save the visualization results to image files
# 将推理的结果保存
model.show_result(img, result, out_file='result_new.jpg')# test a video and show the results
# 测试视频片段的推理结果
# video = mmcv.VideoReader('video.mp4')
# for frame in video:
# result = inference_detector(model, frame)
# model.show_result(frame, result, wait_time=1)
三、总结
本文主要是为了帮助像我一样的没有GPU来炼丹的cv初学者，如果只是简单的项目的话，希望你不要因为本地没有GPU而烦恼，不得不说Cascade RCNN的精确度确实很顶，小目标检测太绝了。
在Colab平台上用mmdetection中的Cascade RCNN训练自己的voc数据集相关推荐
- mmdetection训练自己的VOC数据集及常见问题
训练自己的COCO数据集及常见问题见下文: mmdetection训练自己的COCO数据集及常见问题_不瘦8斤的妥球球饼的博客-CSDN博客 目录 一.环境安装 二.训练测试步骤 三.常见问题 bat ...
- mmdetection的安装并训练自己的VOC数据集
mmdetection的安装并训练自己的VOC数据集 mmdetection的安装与VOC数据集的训练 一. mmdetection的安装 1.使用conda创建虚拟环境 2.安装Cython 3.安 ...
- 在服务器上利用mmdetection来训练自己的voc数据集
在服务器上利用mmdetection来训练自己的voc数据集 服务器上配置mmdetection环境 在服务器上用anaconda配置自己的环境 进入自己的虚拟环境,开始配置mmdetection 跑 ...
- 【mmdetection】SSD训练自己的VOC数据集注意事项
一.修改voc.py和class_names.py ./mmdet/datasets/voc.py 此处代码改为自己数据集的类别,以及./mmdet/core/evaluation/class_na ...
- mmdetection训练自己的VOC数据集
最新的请移步我的另一篇博文[2.6.0]:https://blog.csdn.net/jy1023408440/article/details/110135699 官方步骤: https://gith ...
- 如何在ubuntu下安装detectron2_Anaconda中安装Cascade RCNN(Detectron)的若干问题
安装参考https://github.com/zhaoweicai/Detectron-Cascade-RCNN/blob/master/INSTALL.md 1.对于在 python detectr ...
- mmdetection训练自己的COCO数据集及常见问题
训练自己的VOC数据集及常见问题见下文: mmdetection训练自己的VOC数据集及常见问题_不瘦8斤的妥球球饼的博客-CSDN博客_mmdetection训练voc 目录 一.环境安装 二.训练 ...
- 在MT6572平台上，怎样把已做好的签名编译成到apk中？
在MT6572平台上,怎样把已做好的签名(android.xxx.keystore)编译成到apk中? 因为这个apk源代码只能在平台上编译,不能在Eclipse中编译(因为使用到mtk一些库) 了解 ...
- spyder上怎样将figure框出来_怎样将数据中心现有的物理机和虚拟机平滑的迁移到云平台上？...
怎样将数据中心现有的物理机和虚拟机平滑的迁移到云平台上?风险和工作量怎样评估?成熟的产品怎样选型? 某信系统集成公司 技术总监: 首先要有一个正确的理解,你要迁移不是几个虚机和物理机,而是一个或者多个 ...
最新文章
- android img标签属性_微信小程序 组件叠加效果（如 Android 中的添加蒙层）
- 计算机怎么模拟人,计算机能不能模拟人的思维？
- Elastic Stack简介和Elasticsearch基本介绍
- 二进制（bit）整数
- oracle 之 COMMENT
- git 回退到某个commit_it lesson2 版本回退
- 将亚型多态性与通用多态性相关联的危险
- binary masks_Python中的Masks概念
- mysql5.4升级5.6_如何在CentOS上升级php5.4至5.6？
- 【find】Linux中find常见用法示例
- System center 2012 R2 实战三、windows server 2012R2安装sharepoint2010及排错
- 解决Hash冲突的两种策略
- 高数竞赛、数学建模、算法、计算机专业书籍等亲情大甩卖
- Excel随机数生成
- prometheus监控告警功能
- js中怪异的this 指针
- Spring面向切面编程-AOP详解
- 关于google浏览器打不开网页问题之容易被忽略的点
- 苹果自助维修服务上线：维修工具租赁价约为321元
- 百度智能云开物秀出全年成绩，发布和升级五大新产品