點擊上方“AI算法與圖像處理”，選擇加"星標"或“置頂”
重磅乾貨，第一時間送達
導讀
上一篇講到如何安裝MMDetection，今天要分享如何使用 MMDetection 訓練自定義數據集，其實非常簡單！
前言
深度學習發展到現在已經有很多優秀的模型，同時很多大公司也會在內部開發自己的框架，快速的實現業務，從而產生實際價值。
如下面的招聘要求一樣，市場需要這些能熟練使用現有工具快速實現，MMDetection 是一個非常好的選擇。
在本文中，你將知道如何使用定製的數據集推斷、測試和訓練預定義的模型。我們以ballon數據集爲例來描述整個過程。
氣球數據集：https://github.com/matterport/Mask_RCNN/tree/master/samples/balloon
https://github.com/matterport/Mask_RCNN/releases
1、準備自定義數據集
官方教程：https://mmdetection.readthedocs.io/en/latest/2_new_data_model.html
有三種方法在MMDetection中支持新的數據集:
將數據集重新組織爲COCO格式。
將數據集重新組織爲中間格式。
實現一個新的數據集。
官方建議使用前兩種方法，這兩種方法通常比第三種方法簡單。
在本文中，我們給出了一個將數據轉換爲COCO格式的示例。
注意：MMDetection目前只支持評估COCO格式數據集的mask AP。因此，例如實例分割任務，用戶應該將數據轉換爲coco格式。
COCO 標註格式
以下是實例分割所需的COCO格式所需的關鍵，完整的細節請參考這裏。
https://cocodataset.org/#format-data
{
"images": [image],
"annotations": [annotation],
"categories": [category]
}
image = {
"id": int,
"width": int,
"height": int,
"file_name": str,
}
annotation = {
"id": int,
"image_id": int,
"category_id": int,
"segmentation": RLE or [polygon],
"area": float,
"bbox": [x,y,width,height],
"iscrowd": 0 or 1,
}
categories = [{
"id": int,
"name": str,
"supercategory": str,
}]假設我們使用ballon數據集。下載數據之後，我們需要實現一個函數來將註釋格式轉換爲COCO格式。然後我們可以使用實現的COCODataset加載數據，並執行訓練和評估。
如果你看一下數據集，你會發現數據集的格式如下:
{'base64_img_data': '','file_attributes': {},'filename': '34020010494_e5cb88e1c4_k.jpg','fileref': '','regions': {'0': {'region_attributes': {},'shape_attributes': {'all_points_x': [1020,1000,994,1003,1023,1050,1089,1134,1190,1265,1321,1361,1403,1428,1442,1445,1441,1427,1400,1361,1316,1269,1228,1198,1207,1210,1190,1177,1172,1174,1170,1153,1127,1104,1061,1032,1020],'all_points_y': [963,899,841,787,738,700,663,638,621,619,643,672,720,765,800,860,896,942,990,1035,1079,1112,1129,1134,1144,1153,1166,1166,1150,1136,1129,1122,1112,1084,1037,989,963],'name': 'polygon'}}},'size': 1115004}
annotation 是一個JSON文件，其中每個 key 都表示圖像的所有註釋。將ballon數據集轉換爲coco格式的代碼如下所示。
import os.path as ospimport mmcvdef convert_balloon_to_coco(ann_file, out_file, image_prefix):data_infos = mmcv.load(ann_file)annotations = []images = []obj_count = 0for idx, v in enumerate(mmcv.track_iter_progress(data_infos.values())):filename = v['filename']img_path = osp.join(image_prefix, filename)width = mmcv.imread(img_path).shape[:2]images.append(dict(id = idx,file_name = filename,height=height,width = width))bboxes = []labels = []masks = []for _, obj in v['regions'].items():assert not obj['region_attributes']obj = obj['shape_attributes']px = obj['all_points_x']py = obj['all_points_y']poly = [(x+0.5, y+0.5) for x,y in zip(px,py)]poly = [p for x in poly for p in x]y_min, x_max, y_max = (min(py), max(px),max(py))data_anno = dict(image_id = idx,id = obj_count,category_id = 0,bbox = [x_min, y_min, x_max-x_min, y_max-y_min],area = (x_max - x_min)*(y_max - y_min),segmentation = [poly],iscrowd =0)annotations.append(data_anno)obj_count += 1coco_format_json = dict(images = images,annotations = annotations,categories=[{'id':0, 'name':'balloon'}])out_file)# 對驗證集數據進行處理是，將下面路徑中的train 替換成val 即可# 注意數據集 balloon 的路徑自行調整ann_file = './balloon/train/via_region_data.json'= './balloon/train/annotation_coco.json'image_prefix = './balloon/train'out_file, image_prefix)
註釋：
# 可以加載 json, yaml, pkl 文件
import mmcv
mmcv.load('test.json')
# 刷新位置的進度條方式
mmcv.track_iter_progress(tasks)參考資料：https://zhuanlan.zhihu.com/p/126725557
https://mmcv.readthedocs.io/en/stable/
通過上面的函數，用戶可以成功地將標註文件轉換成json格式，然後我們可以使用CocoDataset對模型進行訓練和評估。
2、config文件配置
第二步是準備一個 config，這樣數據集就可以成功加載。假設我們想使用帶有FPN的Mask R-CNN，在balloon數據集上訓練檢測器的配置如下。假設配置在configs/balloon/目錄下，命名爲mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_balloon.py。配置如下所示。
# The new config inherits a base config to highlight the necessary modification_base_ = '../mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_coco.py'# We also need to change the num_classes in head to match the dataset's annotationmodel = dict(roi_head=dict(bbox_head=dict(num_classes=1),mask_head=dict(num_classes=1)))# Modify dataset related settingsdataset_type = 'COCODataset'classes = ('balloon',)data = dict(train=dict(img_prefix='balloon/train/',classes=classes,ann_file='balloon/train/annotation_coco.json'),val=dict(img_prefix='balloon/val/',classes=classes,ann_file='balloon/val/annotation_coco.json'),test=dict(img_prefix='balloon/val/',classes=classes,ann_file='balloon/val/annotation_coco.json'))# We can use the pre-trained Mask RCNN model to obtain higher performanceload_from = 'checkpoints/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco_bbox_mAP-0.408__segm_mAP-0.37_20200504_163245-42aa3d00.pth'
注意：
這裏的_base_ 要修改成
_base_ = '../mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_coco.py'
官方提供的路徑有一點問題3、自定義數據集上訓練、測試、推理模型
訓練一個新模型
使用新的config 訓練一個模型，直接運行下面的代碼即可：
python tools/train.py configs/balloon/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_balloon.py
如果報錯
raise IOError(f'{filename} is not a checkpoint file')
OSError: checkpoints/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco_bbox_mAP-0.408__segm_mAP-0.37_20200504_163245-42aa3d00.pth is not a checkpoint file
建議去官方提供的預訓練模型下載地址去下載，並放置在checkpoints 文件夾下
https://mmdetection.readthedocs.io/en/latest/model_zoo.html
直接下載：http://download.openmmlab.com/mmdetection/v2.0/mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco_bbox_mAP-0.408__segm_mAP-0.37_20200504_163245-42aa3d00.pth
注意：
大概需要 9 G 的現存才能跑的起來。。。
測試並推理
測試訓練好的模型，直接運行：
python tools/test.py configs/balloon/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_balloon.py work_dirs/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_balloon.py/latest.pth --eval bbox segm
好的今天的分享就到這裏，如果對你有所幫助，記得三連哈！筆芯，新年快樂
個人微信（如果沒有備註不拉羣！）
請註明：
地區+學校/企業+研究方向+暱稱
![]()
下載1：何愷明頂會分享
在「AI算法與圖像處理」公衆號後臺回覆：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經典工作的總結分析
下載2：終身受益的編程指南：Google編程風格指南
在「AI算法與圖像處理」公衆號後臺回覆：c++，即可下載。歷經十年考驗，最權威的編程規範！
下載3 CVPR2020
在「AI算法與圖像處理」公衆號後臺回覆：
CVPR2020
，即可下載1467篇CVPR 2020論文
覺得不錯就點亮在看吧
![]()
本文分享自微信公衆號 - AI算法與圖像處理（AI_study）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。