使用mmdetection训练HTC

配置文件

配置解读

测试

直接使用会报这个错：

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

说是字典里的对应值多了一个，查配置文件，发现有两个groups，值是一样的，看别的配置文件只有上面的一个，注释掉下面的试了一下，就可以了

测试结果：

---

训练

1.根据自己的数据集的类改动配置文件参考这个：配置改动

注意：一定要看好学习率的设置，16GPU是0.02，单卡或双卡设置0.0025左右，一定要小，一开始我双卡设的0.02，loss从个位数飙到五位数

2.因为我只需要检测bbox和mask，所以在配置文件的model字典里将semantic相关的都注释了

并且在train_pineline里设置with_seg=False：

只设置with_seg是没有用的，最后会计算seg的loss，然而没有label，就报错，所以要加前面的注释

3.修改评估内容：

4.在这里取消TensorboardLoggerHook的注释就能在命令行看到loss

但是我的程序会弹出很多警告，做如下操作就能不显示警告：

import warnings
warnings.filterwarnings('ignore')

调试后再次运行出现：

Address alredy in use

这说明刚才停止的程序的内存没有释放，执行下面命令：

 ps aux|grep user_name|grep python

然后用kill -9 ID来释放内存。

这样就能顺利训练了：

使用预训练权重

参考

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，可以使用这个工具，可以看到网络的参数，比如要从80类变成1个类，找后面的参数个数是81的，然后记住名字，用上面的代码修改

注意事项

这里的resize一定要注意!