mmdetection入门介绍-前言

布满荆棘的人生 2023-06-27 05:58 23阅读 0赞

mmdetection入门介绍

# 一、前沿 #

open-mmlab工程项目可以在github上下载，具体链接为[mmdetection][]，下载完成后，就可以获得整个工程项目，这里需要说明一下，参考官方安装环境：

*  Linux (Windows is not officially supported)
 *  Python 3.5+ (Python 2 is not supported)
 *  PyTorch 1.1 or higher
 *  CUDA 9.0 or higher
 *  NCCL 2
 *  GCC(G++) 4.9 or higher
 *  [mmcv][]

官方已经在一下系统测试过，暂时没有其他问题

*  OS: Ubuntu 16.04/18.04 and CentOS 7.2
 *  CUDA: 9.0/9.2/10.0
 *  NCCL:
 *  2.1.15/2.2.13/2.3.7/2.4.2
 *  GCC(G++): 4.9/5.3/5.4/7.3

这里容易报错的就是CUDA,有的人下在的是最新版本的CUDA 10.1/10.2，然后一跑就报错，尽量在推荐的系统和软件上执行，减少没必要的麻烦，其中mmcv需要单独安装，可以简单的通过一个pip安装命令

pip install mmcv
    或者
    git clone https://github.com/open-mmlab/mmcv.git
    cd mmcv
    pip install -e .

其他依赖要求

*  mmcv>=0.2.10
 *  numpy
 *  matplotlib
 *  six
 *  terminaltables
 *  pycocotools
 *  torch>=1.1
 *  torchvision
 *  imagecorruptions
 *  albumentations>=0.3.2

如果基本环境，比如Pytorch,torchvision,conda(可以选择不安装),python 3的环境装好了，就可以直接运行了

# 二、demo演示 #

这里官方给了一个demo.py,可以用来检测图片或者视频，具体内容如下

from mmdet.apis import init_detector, inference_detector, show_result
    import mmcv
    
    config_file = 'configs/faster_rcnn_r50_fpn_1x.py'
    checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth'
    
    # build the model from a config file and a checkpoint file
    model = init_detector(config_file, checkpoint_file, device='cuda:0')
    
    # test a single image and show the results
    img = 'pic/000177.jpg' # or img = mmcv.imread(img), which will only load it once
    result = inference_detector(model, img)
    # visualize the results in a new window
    show_result(img, result, model.CLASSES)
    # or save the visualization results to image files
    #show_result(img, result, model.CLASSES, out_file='result.jpg')
    
    # test a video and show the results
    video = mmcv.VideoReader('a.mp4')
    for frame in video:
    result = inference_detector(model, frame)
    show_result(frame, result, model.CLASSES, wait_time=1)

这里需要下载官方给的训练好的模型，然后根据你自己设定的路径，放在其中，上面中，需要新建一个checkpoints文件夹并把模型放在下面，具体下载的模型需要同config/下的配置文件里面相对应，这里下载的是faster\_rcnn\_r50\_fpn\_1x的模型，找到对应的configs/faster\_rcnn\_r50\_fpn\_1x.py文件，倒入配置就可以了，其他的模型，如果需要测试的话，官方是有给下载链接，具体在对应文件夹的docs/MODEL\_ZOO.md文件里面。

然后mmdetection对于事实检测也是可以做到的，官方也有给测试代码，你也可以通过调用摄像头，或者外接摄像头，甚至一个简单的USB的一个摄像头，具体调用如下

python demo/webcam_demo.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--device ${GPU_ID}] [--camera-id ${CAMERA-ID}] [--score-thr ${SCORE_THR}]

具体的比如

python demo/webcam_demo.py configs/faster_rcnn_r50_fpn_1x.py checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth

数据集测试  
mmdetection支持以下模式

*  单GPU
 *  多GPU
 *  可视化检测结果

拿到训练模型之后就可以简单的测试一下，也可以拿自己训练好的模型拿来测试

# single-gpu testing
    python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}] [--show]
    
    # multi-gpu testing
    ./tools/dist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}]

参数解释：

*  RESULT\_FILE：输出结果的文件名采用pickle格式。如果未指定，结果将不会保存到文件中。
 *  EVAL\_METRICS：评估结果的选项。可使用的值包括：proposal\_fast,proposal,bbox,segm,keypoints。
 *  –show：如果初始化，检测结果将绘制在图像上并显示在新窗口中。它仅适用于单个GPU测试。请确保环境中可以使用GUI，否则您可能会遇到类似“无法连接到服务器”的错误。

参考样例  
这里假设你已经下载好已经训练好的checkpoints文件并放在checkpoints/目录下  
1.测试faster-rcnn并显示结果

python tools/test.py configs/faster_rcnn_r50_fpn_1x.py checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth --show

2.测试mask-rcnn并评估bbox和mask AP

python tools/test.py configs/mask_rcnn_r50_fpn_1x.py checkpoints/mask_rcnn_r50_fpn_1x_20181010-069fa190.pth --out results.pkl --eval bbox segm

3.测试8个GPU下的mask-rcnn并评估bbox和mask AP

./tools/dist_test.sh configs/mask_rcnn_r50_fpn_1x.py checkpoints/mask_rcnn_r50_fpn_1x_20181010-069fa190.pth 8 --out results.pkl --eval bbox segm

其他参考：  
这里是mmdetection入门介绍 [前言][Link 1] 部分  
这里是mmdetection入门介绍 [test.py解析][test.py] 部分  
这里是mmdetection入门介绍 [train.py解析][train.py] 部分  
这里是mmdetection入门介绍 [模型解析][Link 2] 部分

[mmdetection]: https://github.com/open-mmlab/mmdetection
[mmcv]: https://github.com/open-mmlab/mmcv
[Link 1]: https://blog.csdn.net/klaus_x/article/details/103831820
[test.py]: https://blog.csdn.net/klaus_x/article/details/103831885
[train.py]: https://blog.csdn.net/klaus_x/article/details/103831939
[Link 2]: https://blog.csdn.net/klaus_x/article/details/103831987