MMDetection v2 目标检测（1）：环境搭建

上次介绍了 如何在 Ubuntu 18.04 上搭建深度学习环境 。

最近开始要做实验了，打算先学下 MMDetection 。

这里总结下 MMDetection v2 的安装和使用。

本文先介绍如何搭建 MMDetection v2 的实验环境。

2021.9.1 更新： 适配 MMDetection v2.16

目录：

服务器的环境配置：

相关命令：

conda 安装：

其他的包，可根据需要，另行安装。

相关命令：

pip 依次安装：

其中， cu101 和 torch1.5.0 需要根据自己版本修改。

或本地编译安装：

pip 安装：

打开 ./requirements.txt ：

可以看到，包含四个依赖文件，具体内容如下：

或在 JupyterLab 依次执行：

最后再来回顾一下：

有帮助的话，点个赞再走吧，谢谢~

参考：

本文以 Faster R-CNN 为例，介绍如何修改 MMDetection v2 的配置文件，来训练 VOC 格式的自定义数据集。

2021.9.1 更新： 适配 MMDetection v2.16

目录：

服务器的环境配置：

./configs/_base_ 的目录结构：

可以看出，包含四类配置：

打开 ./configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py ：

修改数据集配置的路径：

打开 ./configs/_base_/datasets/voc0712.py ：

打开 ./configs/_base_/models/faster_rcnn_r50_fpn.py ：

修改 roi_head 的类别个数 num_classes ：

打开 ./configs/_base_/schedules/schedule_1x.py ：

修改学习率 lr 和迭代轮数 total_epochs ：

打开 ./configs/_base_/default_runtime.py ：

修改 log_config 的日志记录间隔 interval ，并开启 TensorBoard 记录器：

另外，也可以将上面步骤 1-5 修改的配置写在一个文件中。

这样就能够更方便地管理不同的配置文件，避免因频繁修改导致出错。

在训练和测试时，遇到的一些容易报错的地方，这里做下记录。

修改 VOCDataset() 的标签类别 CLASSES ：

修改 voc_classes() 返回的标签类别：

如果是自定义数据集的名字，需要注释报错信息 ValueError ，并将 self.year 设为 None ：

如果图像文件不是 jpg 格式，需要将 filename 和 img_path 的后缀名改为相应格式：

如果标注文件中不存在 difficult 标签，需要将 difficult 设为 0 ：

将 results 中的 20 改为自定义数据集的类别个数：

有帮助的话，点个赞再走吧，谢谢~

参考：

一、服务器测试方法分为两个大方面，性能测试与功能测试。

在性能测试方面采用了新的测试方法，主要分为文件测试、数据库性能测试与Web性能测试三个方面。其中，文件性能与数据库性能采用美国Quest软件公司的Benchmark Factory负载测试和容量规划软件，Web性能测试则使用了Spirent公司提供的Caw WebAvalanche测试仪。

---