mmdetection 测试,mmdetection官方文档
正在向AI转型的程序员关注这个数字吗？
人工智能大数据与深度学习 公众号：datayx
中文大学-商汤科技联合实验室开源，基于PyTorch的检测库3354mm。商汤科技和香港大学组成的团队在2018年COCO大赛中获得了物体检测项目，但mmdetection在COCO大赛中是基于codebase的重建。
3359 github.com/open-mm实验室/mm检测
这个开源库提供了各种开放的视觉检测核心模块。这些模块的组合可以快速构建更快的RCNN、Mask RCNN、R-FCN、RetinaNet、Cascade R-CNN、ssd等知名检测框架，大大提高了检测技术研究的效率。
与公平开源检测相比，mm检测具有以下明显优势：
性能有点贵。
训练速度快一点：口罩R-CNN区别大，其余小。
所需显存：显存更有优势，减少30%左右。
可用性更好的3360pytorch与基于Caffe2的代码相比，可用性有差距。
带mmdetection的开源是另一个基础库，——mmcv。MCV图书馆主要分为两部分。是一些与深度学习框架无关的工具功能，比如一些与IO/Image/Video相关的操作。另一个是为PyTorch编写的训练工具集，使整个过程更容易定制，同时大大减少了用户需要编写的代码量。该项目的仓库地址为https://github.com/open-mm.的实验室/MMCV
建议您也在本地下载mmcv存储库，以便以后调试时可以看到源代码。
1.教你如何构建安装文档MMDetection框架3359 Zhan LAN . zhi Hu.com/p/101202864.
2.入门文档——教你如何快速访问MM检测https://Zhan。智Hu.com/p/101212969.
3.基准和模型总结给出了每个模型在MMDetection上的准确性和用法。https://詹。智Hu.com/p/101216931
4.技术细节3354教你如何实现新网https://詹。智Hu.com/p/101222759
mmdetection的配置参数在https://zhann中指定。智Hu.com/p/102072353.
目标竞赛中的诡计(更新更多代码分析)https://Zha un . zhi Hu.com/p/102817180
环境安装
1.安装教程
你最好按照官方仓库的安装说明。很多博客的安装方式都有一些问题。官仓更新了，但是博客可能是因为没有更新。官方安装说明地址：https://github.com/open-mm lab/mm detection/blob/master/install . MD
简单来说，这个仓库目前只支持在linux系统上运行，window不支持；PyTorch的版本要求是PyTorch 1.0或PyTorch-nightly，必须按照官网安装命令安装，避免版本冲突。
2.演示测试环境是否安装成功？
博客作者过去在使用其他博客的演示代码时会犯错误。不知道是什么原因，直到仔细看了官方说明才知道说明里有代码，更新了。所以为了保险期，这里就不直接公布代码了，自己看地址吧。
演示代码在https://github.com/open-mm.的地址是lab/mmdetection/blob/master/getting _ started . MD # high-level-APIs但是，要执行公式代码，您必须下载相关模型的check point PTH文件，并将其放在mm detection文件夹目录下的check point文件夹中。官方提供的所有经过训练的pth模型文件都位于MODEL_ZOO.md上另外，你可以随意将一张图片重命名为test.jpg，放在mmdetection目录下。
三。训练自定义数据集
大家都用这个mmdetection，不仅仅是现场试用，所以我在这里分享一下我的培训。
练习自定义数据集的过程记录。
首先让我向您展示我的整个mmdetection文件夹的内容。
1、准备dataset
需要注意的是，政府提供的所有代码都默认使用coco格式的数据集，所以如果不想折腾太多，把自己的数据集转换成coco数据集格式就可以了。请参阅：用于将各种类型的数据转换为coco格式的脚本的转换工具箱。我用的是labelme2coco.py文件，亲测没有问题。
数据集制作完成后，官方建议将coco数据集存储在以下目录形式中：
其中，$COCO_ROOT需要改为你的COCO数据集的根目录
2、Training前修改相关文件
首先，我的数据集有四大类，分别是‘玻璃_绝缘子’，‘复合_绝缘子’，‘线夹’，‘漏极_板’。而我运行的模型是‘configs/faster _ rcnn _ r50 _ fpn _ 1x . py’。
官方提供的代码中使用了Coco数据集。虽然我们的自定义数据集已经转换为coco标准格式，但是像class_name和class_num这样的参数需要修改，否则跑出来的模型就不是你想要的了。
有些博客，比如这个，提供了根据官方定义coco数据集的文档，重新定义自己的数据集和类，创建新文档的方法，但实际上这是有风险的。我之前照着他们的方法做，最后发现会有误差。最简单方便安全的方法就是直接修改coco数据集定义文件(官方也是这么建议的)。
1.定义数据类型，并在mm detection/mm det/datasets/coco . py中进行修改.把类的元组改成自己数据集对应的元组就行了。例如：
4.在mmdetection目录下新建一个work_dirs文件夹。
3、Training
显示开始训练的界面：
在此插入图片描述。
训练结束后，训练过程中的日志文件和每个历元的pth文件将保存在work_dirs文件夹中(该文件将用于后面的测试测试)
四。测试
有两种方法可以测试。
1.如果只是想看到效果而不进行量化指标分析，可以运行前面的demo.py文件，但是要改变checkpoint_file的地址路径，使用我们上一步跑出来的work_dirs下的pth文件。例如：
但是，当使用这个测试命令时，我将报告一个错误。关于官方库的问题我也提交了错误。你可以查一下我的错误描述，看是否和你的一致。
根据我的问题描述，我们可以知道使用demo.py进行测试可以产生结果，但是会出现警告信息“warnings.warn(类名未保存在检查点的中。当您在此步骤中使用test命令时，您将报告一个错误，程序将被中断。但其实问题是一样的。应该是训练中保存的pth文件中没有班级信息，所以不能显示图片结果。所以你需要按照以下步骤修改官方代码。
(1)修改mm detection/mm det/tools/test . py中的第29个行为：
这里的打印格式称为检测评估指标。以下是COCO数据集文档中评估矩阵的简要描述：
阅读过本文的人还看了以下文章：
TensorFlow 2.0深度学习案例实战
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《基于深度学习的自然语言处理》 中/英PDF
Deep Learning 中文版初版-周志华团队
【全套视频课】最全的目标检测算法系列讲解，通俗易懂！
《美团机器学习实践》 _美团算法团队.pdf
《深度学习入门：基于Python的理论与实现》 高清中文PDF+源码
特征提取和图像处理(第2版)。可移植文档格式文件的扩展名（portable document format的缩写）
Python就业班学习视频，从入门到实战项目
2019最新《PyTorch自然语言处理》中英文PDF源代码
055-79000完整的PDF图书代码
《21个项目玩转深度学习：基于TensorFlow的实践详解》带有图书源代码的pdf
PyTorch深度学习快速实用初学者《深度学习之pytorch》
[下载]豆瓣评分8.1，《pytorch-handbook》
《机器学习实战：基于Scikit-Learn和TensorFlow》 PDF完整源代码
汽车完整知识图谱项目实用视频(共23课)
壮观的小懒神开源《Python数据分析与挖掘实战》，加州伯克利深度学习(2019年春季)教材
注意事项和代码清晰易懂！TY《动手学深度学习》全套最新资源！
055-79000最新2018版中英文PDF源代码
将机器学习模型部署为REST API
时尚服装属性标签图像识别Top1-5方案分享
开源很重要！CNN-RNN-CTC实现手写汉字识别
Yolo3检测图像中的不规则汉字。
也是机器学习。算法工程师，为什么面试没通过？
前海征信大数据算法：风险概率预测
【Keras】完成‘交通标志’和‘票据’的分类，让你掌握深度学习图像分类。
VGG16迁移学习实现医学图像识别和分类项目
功能(1)
特点(2):文本数据的扩展、过滤和分块。
工程(3):功能扩展，从word bag到TF-IDF
特征(4):类别特征
特征(5): PCA降维
特征(6):非线性特征提取和模型叠加
特征(7):图像特征提取和深度学习
如何使用新的决策树集成级联结构gcForest做特征工程和评分？
机器学习向往的中文翻译
蚂蚁金服2018秋季招聘——算法工程师(共四面)通过
全球AI挑战赛-场景分类(多模型融合)竞赛源代码
斯坦福CS230官方指南：美国有线电视新闻网，RNN和使用技巧快速检查(印刷收集)
Python flask搭建CNN在线识别手写中文网站
中国科学院Kaggle全球文本匹配大赛中国第一团队-深度学习和特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加：datayx
机大数据技术与机器学习工程
搜索公众号添加：datanlp
长按图片，识别二维码
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。