mmdetection-使用技巧篇

如何使用mmdetection训练自己的数据可以参考这篇文章https://blog.csdn.net/weicao1990/article/details/93484603，在这篇文章中只是用训练集进行训练，没有用到验证集验证模型的指标，因此这篇文章中将会讨论如何增加验证集，并且使用tensorboard可视化训练集与验证集的指标参数。 以cascade_rcnn_hrnetv2p_w32_2...

将dict(type=‘TextLoggerHook’)注释掉，去掉dict(type=‘TensorboardLoggerHook’)的注释即可。mmdetection 默认是不开启tensorboard的，如果你想要打开，首先找到。

一、准备数据集 准备自己的数据 mmdetection支持coco格式和voc格式的数据集，下面将分别介绍这两种数据集的使用方式 coco数据集 官方推荐coco数据集按照以下的目录形式存储，以coco2017数据集为例 mmdetection ├── mmdet ├── tools ├── configs ├── data │ ├── coco │ │ ├── annot...

MMdetection官方文档： https://mmdetection.readthedocs.io/zh_CN/latest/article.html 官方有原文https://zhuanlan.zhihu.com/p/337375549 我只提取我在意的 模块详解 一个batch进来之后到backbone，例如ResNet 输出的单尺度或者多尺度特征图然后到neck进行特征融合或增强，例如FPN 上述多尺度特征最终输入到 head 部分，一般都会包括分类和回归分支输出 在整个网络构建阶段都可以引入

目录一、mmdetection简介二、环境安装1、安装教程2、运行demo测试环境是否安装成功三、训练自定义的dataset1、准备dataset2、Training前修改相关文件3、Training4、Testing 一、mmdetection简介 项目仓库地址：https://github.com/open-mmlab/mmdetection 香港中文大学-商汤科技联合实验室开源了基于 PyT...

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，不管训练多少次 mAP 指标总是为 0，而其它 pytorch 项目却能正常运行，尝试解决无果后发现另一个更好用的目标识别库——MMDetection ，最终实现了自己的需求。本文首先介绍了 MMDetection 库在 Windows 11 下的安装方式，及可能遇到的问题和解决方法；然后说明了其自带的单图片检测、视频检测、摄像头检测工具的使用方法，并在此之上扩展了一个同时包

目录安装验证数据标注数据转化转化成VOC修改文件voc.pyclass_names.pyfaster_rcnn_r50_fpn_1x_voc0712.pyfaster_rcnn_r50_fpn.pyvoc0712.py运行报错报错1：报错2：报错3： 安装 安装过程按照官网步骤即可，注意版本对用即可，不再赘述。 验证 在安装之后，首先要进行验证是否安装成功，在mmdetection的文件夹下有一demo目录，其中有一张图片，首先新建checkpoints文件夹，下载 https://download.ope

本次使用的mmdetection版本为： VOC数据集格式 Annotations 存放所有xml标签，JPEGImages存放所有图像，ImageSet用来划分数据集。 xml文件示例： 在data目录下新建train_val.py： 并执行，划分好的数据存在 下。 根据自己的设备安装相应的pytorch，官网版本查询。 过程中其余依赖项自己pip安装……mmdetection/mmdet/datasets/voc.py 设置自己的数据集class； 取消年份版本选择（我们的数据集没有按年份设置文件

先来看用训练好的checkpoint文件跑test.py脚本的输出结果 最下方会输出一个有序字典OrderedDict，我们可以指定相关的键来保存最好的模型。 需要的操作就是在配置文件中进行如下修改： evaluation = dict(interval=1, metric='bbox', save_best='auto') save_best用于指定对应的键，'auto'是指保留第一个键对应最大值的checkpoint文件，即'bbox_mAP'（对应coco评价指标的第一行），也可以指定s

商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN等主流的目标检测框架，后续会加入Cascade-RCNN以及其他一系列目标检测框架。

本文介绍了在深度学习模型训练中集成TensorBoard的方法。通过在MMEngine配置文件中添加TensorboardVisBackend配置项，可将训练日志保存到指定目录。启动TensorBoard有两种方式：1）直接在服务器启动并通过SSH端口转发访问；2）下载日志文件到本地后查看。两种方法最终都可通过浏览器访问http://localhost:6006查看训练过程可视化结果。

kaggle上mmdet的安装与使用 kaggle上tensorboard的解决方案

runner分析 基类：base_runner mmcv/runner/based_runner.py base_runner的子类需要完成：run(),train(),val(),save_checkpoint() epoch_base_runner 按照epoch的次数来train和val iter_base_runner 按照iter的次数来train和val mmcv/runner/iter_based_runner.py def run(self, data_loaders, workflow,

日志系统钩子编程是一种编程模式，是指在程序的一个或者多个位置设置位点（挂载点），**当程序运行至某个位点时，会自动调用运行时注册到位点的所有方法。**钩子编程可以提高程序的灵活性和拓展性，用户将自定义的方法注册到位点便可被调用而无需修改程序中的代码。名称用途优先级EMAHook模型参数指数滑动平均PyTorch CUDA 缓存清理同步模型的 buffer如果 MMEngine 提供的默认钩子不能满足需求，用户可以自定义钩子，只需继承钩子基类并重写相应的位点方法。

将txt内容转为tensorboard可视化