我們在使用mmdetection中神經網絡訓練自己的數據集時，工具中大部分的網絡模型要求使用的數據格式要同COCO，COCO數據集的標註文件是json的格式，但是我們自己標註的annotation文件多是xml文件。接下來我將介紹如何用mmdetection訓練自己標註的數據集。
一、mmdetection的安裝（目前官方只支持Linux系統安裝）
1，安裝環境：
- Ubuntu16.04
- CUDA9.0
- CUDNN8.0
- Pytorch1.1
- Python3.7
2，這裏建議使用單獨的虛擬環境：
1，終端創建虛擬環境：conda create -n 虛擬環境名稱 python=3.7
2，進入虛擬環境： source activate 虛擬環境名稱 （退出指令：source deactivate）
3，利用conda 安裝pytorch 和torchvision
conda install pytorch torchvision -c pytorch
4，下載mmdetection工具並配置虛擬環境:
下載地址：https://github.com/python-bookworm/mmdetection-new
5，安裝依賴庫：
pip install -r requirements.txt
二、配置cascade_rcnn訓練數據：
1，數據準備：
訓練的原始樣本圖片放到mmdetection/data/coco/train2017文件夾下；用於驗證的原始圖片數據放data/coco/val2017
訓練的標註數據（xml）放到mmdetection/data/coco/annotations/train文件夾；用於驗證的標準數據（xml）放
mmdetection/data/coco/annotations/val文件夾；
2，xml轉json:
打開mmdetection/xml2json.py，修改convert()中的文件路徑，運行xml2json.py；
3，網絡參數配置：cascade_rcnn_r50_fpn_1x.py
打開mmdetection/configs/cascade_rcnn_r50_fpn_1x.py：
1，修改num_classes:#分類器的類別數量+1，+1是多了一個背景的類型；
2，修改data_root:#數據集根目錄
3，修改img_scale:#輸入的圖像尺寸
4，修改imgs_per_gpu:#每個gpu計算的圖像數量
5，修改workers_per_gpu:#每個gpu分配的線程數
6，修改ann_file和img_prefix:#數據集annotation路徑和數據集路徑
7，修改optimizer中的lr:#學習率，計算公式：imgs_per_gpu*0.00125
8，修改total_epochs:#訓練輪數
9，work_dir:#log文件和模型文件存儲路徑
4，打開mmdetection/mmdet/datasets/coco.py:
修改CLASSES中類別：#修改成自己的類別
三、運行train.py開始訓練模型：
終端運行指令：python tools/train.py configs/cascade_rcnn_r50_fpn_1x.py
注：python的版本爲3.6或3.7。