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. 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里了：

$ 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。（本文中的目标检测场景比较简单，目标清晰明确，故 mAP 很高）

9. 总结

好了，以上就是教你如何一步一步在 docker 容器中使用 mmdetection 来训练自己的数据集并测试。建议大家使用自己的数据集尝试跑一下，看下效果~

docker与mmdetection相关推荐

一步一步教你在 docker 容器下使用 mmdetection 训练自己的数据集
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 ...
基于mmdetection 旋转目标检测（OBB detection)+DOTA数据集自定义数据集+配docker
这两周得益于组里的任务需求,肝了一个遥感类的飞机旋转框目标检测,在给定的4096*4096的大尺度分辨率图片上去识别检测飞机. 经过模型检测后输出结果图如下图所示: 可以看到最终的结果还是不错的,通过 ...
关于mmdetection上手的几点说明
关于mmdetection上手的几点说明官方的文档很有参考价值,并且也有中文版,应当是大家上手 mmdetection 的第一参考,本文是记录一些笔者在小白阶段上手 mmdetection 时的一些 ...
Ubuntu 安装Docker 常用命令
一.安装 Docker需要64的操作系统,kernel内核至少在3.10版本之上. 检测当前的kernel版本: uname -r 安装Docker命令: wget -qO- https://get. ...
试用mmdetection
用vistart/mmdetection 的镜像ID创建容器crazy_murdock(容器id为32f1a377fd2f)并配置好端口.frp.ssh之后,我用mobaxterm来连接它,/mmde ...
Docker、nvidia-container-toolkit安装与常用docker命令及docker镜像和容器的更新维护
Python的virtual env和Anaconda的env可以用来做环境隔离防止不同的模型环境之间在安装时相互影响甚至因为支持包的版本冲突导致不能同时使用,但是不具备打包发布部署的功能,想要调试好 ...
mmdetection训练记录
mmdetection多GPU训练说明 1.docker环境: docker exec -it dj_mmdetection /bin/bash 进入docker容器,切换到mmdetection ...
MMDetection 使用示例：从入门到出门
转自:MMDetection 使用示例:从入门到出门前言最近对目标识别感兴趣,想做一些有趣目标识别项目自己玩耍,本来选择的是 YOLOV5 的,但无奈自己使用 YOLOV5 环境训练模型时,不管训 ...
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 ...

docker与mmdetection