使用mmdetection訓練HTC

配置文件

配置解讀

測試

直接使用會報這個錯：

TypeError: type object got multiple values for keyword argument 'groups'

說是字典裏的對應值多了一個，查配置文件，發現有兩個groups，值是一樣的，看別的配置文件只有上面的一個，註釋掉下面的試了一下，就可以了

測試結果：

---

訓練

1.根據自己的數據集的類改動配置文件參考這個：配置改動

注意：一定要看好學習率的設置，16GPU是0.02，單卡或雙卡設置0.0025左右，一定要小，一開始我雙卡設的0.02，loss從個位數飆到五位數

2.因爲我只需要檢測bbox和mask，所以在配置文件的model字典裏將semantic相關的都註釋了

並且在train_pineline裏設置with_seg=False：

只設置with_seg是沒有用的，最後會計算seg的loss，然而沒有label，就報錯，所以要加前面的註釋

3.修改評估內容：

4.在這裏取消TensorboardLoggerHook的註釋就能在命令行看到loss

但是我的程序會彈出很多警告，做如下操作就能不顯示警告：

import warnings
warnings.filterwarnings('ignore')

調試後再次運行出現：

Address alredy in use

這說明剛纔停止的程序的內存沒有釋放，執行下面命令：

 ps aux|grep user_name|grep python

然後用kill -9 ID來釋放內存。

這樣就能順利訓練了：

使用預訓練權重

參考

def main():
    #gen coco pretrained weight
    import torch
    num_classes = 11
    model_coco = torch.load("../checkpoints/cascade_rcnn_r50_fpn_1x_20190501-3b6211ab.pth") # weight
    for key, value in model_coco["state_dict"].items():
        print(key)

    model_coco["state_dict"]["bbox_head.0.fc_cls.weight"] = \
    model_coco["state_dict"]["bbox_head.0.fc_cls.weight"][:num_classes, :]

    model_coco["state_dict"]["bbox_head.1.fc_cls.weight"] = \
    model_coco["state_dict"]["bbox_head.1.fc_cls.weight"][:num_classes, :]

    model_coco["state_dict"]["bbox_head.2.fc_cls.weight"] = \
    model_coco["state_dict"]["bbox_head.2.fc_cls.weight"][:num_classes, :]

    model_coco["state_dict"]["bbox_head.0.fc_cls.bias"] = \
    model_coco["state_dict"]["bbox_head.0.fc_cls.bias"][:num_classes]

    model_coco["state_dict"]["bbox_head.1.fc_cls.bias"] = \
    model_coco["state_dict"]["bbox_head.1.fc_cls.bias"][:num_classes]

    model_coco["state_dict"]["bbox_head.2.fc_cls.bias"] = \
    model_coco["state_dict"]["bbox_head.2.fc_cls.bias"][:num_classes]
    # save new model
    torch.save(model_coco, "cascade_rcnn_r50_fpn_1x_coco_pretrained_weights_classes_%d.pth" % num_classes)
if __name__ == "__main__":
    main()

如果是其他的模型，可以使用這個工具，可以看到網絡的參數，比如要從80類變成1個類，找後面的參數個數是81的，然後記住名字，用上面的代碼修改

注意事項

這裏的resize一定要注意!