kkksqj / mmdetec_cascade_rcnn

mmdetec_cascade_rcnn

该代码算法：cascade_rcnn_r50fpn_dconv_c3-c5_1x_coco。baseline:mmdetectionV2.0+

安装

Windows版本安装

参考网址：https://zhuanlan.zhihu.com/p/159912450

环境说明

• windwos
• vs: 2015 or 2017
• mmdetection: 2.1.0
• mmcv: 0.6.0
• torch=1.3.1
• torchvison=0.4.2
• python: 3.7
• cuda: 10.1
• pycocotools

安装mmdetection

1. 创建虚拟环境：

conda create -n open-mmlab python=3.7
activate open-mmlab

2. 安装pytorch

pip install 下载目录/torch-1.3.1-cp37-cp37m-win_amd64.whl
pip install 下载目录/torchvision-0.4.2-cp37-cp37m-win_amd64.whl

3. torch源码修改

环境目录指open-mmlab虚拟环境位置
参考：https://zhuanlan.zhihu.com/p/159912450
a. 修改 环境目录下\Lib\site-packages\torch\include\c10\util\flat_hash_map.h
b. 修改 环境目录下\Lib\site-packages\torch\include\c10\util\order_preserving_flat_hash_map.h
c. 修改 环境目录下\Lib\site-packages\torch\utils\cpp_extension.py
d. 修改 环境目录下\Lib\site-packages\torch\include\torch\csrc\jit\argument_spec.h
e. 修改 环境目录下\Lib\site-packages\torch\include\pybind11\cast.h

4. pycocotools安装

git clone https://gitee.com/sqj7/cocoapi
cd cocoapi/PythonAPI
source open-mmlab
python setup.py build_ext --inplace
python setup.py build_ext install 

5. mmcv0.6.0安装

pip install mmcv==0.6.0

a. 修改环境目录下\Lib\site-packages\mmcv\utils找到config.py文件

如果pip安装不成功，那么使用源码安装

git clone https://gitee.com/sqj7/mmcv
#修改mmcv/utils找到config
cd mmcv
pip install -e .

6. mmdetection v2.1.0安装

git clone https://github.com/open-mmlab/mmdetection/tree/v2.1.0
pip install -r requirements.txt
python setup.py develop

linux 版本安装

环境说明

• Linux
• Python 3.6+
• Pytorch 1.3+
• CUDA 9.2+
• GCC 5+
• mmcv

安装mmdetection

a. 创建虚拟环境：

conda create -n open-mmlab python=3.7
source activate open-mmlab

b. 安装pytorch 根据pytorch website安装pytorch和torchvision。

pip install torch==1.6.0+cu101 torchvision==0.7.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html

c. 克隆mmdetection

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements.txt
python setup.py develop

代码说明

mmdetection
├── mmdet
├── tools
├── configs
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── train2017
│   │   ├── val2017
│   │   ├── test2017
│   ├── cityscapes
│   │   ├── annotations
│   │   ├── leftImg8bit
│   │   │   ├── train
│   │   │   ├── val
│   │   ├── gtFine
│   │   │   ├── train
│   │   │   ├── val
│   ├── VOCdevkit
│   │   ├── VOC2007
│   │   ├── VOC2012
├── code
│   ├── config 
│   ├── src 

---

├── code
│   ├── config  							#配置文件
│   │   ├── _base_  						#存放model,data,学习策略等配置信息
│   │   │   ├── cascade_rcnn_r50_fpn.py     #模型设置
│   │   │   ├── coco_detection.py			#训练数据路径设置，训练数据预处理设置
│   │   │   ├── default_runtime.py			#预训练模型路径设置
│   │   │   ├── schedule_1x.py				#学习率设置
│   │   ├── cascade_rcnn_r50_fpn_1x_coco.py	#设置_base_文件路径
│   │   ├── cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco.py #设置dcn fp16

train.py读取的config是cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco.py。

├── src                                    #源码
│   ├── creat_result.py 				   #创建模型预测结果
│   ├── Fabric2COCO.py					   #把数据格式转换为coco数据格式，方便网络读取
│   ├── model_transform.py				   #模型转换，把预训练模型转换为我们需要用的模型，主要该fc的classes数量
│   ├── test_for_mm.py					   #mmdetection的测试文件

预训练模型准备

预训练模型可在README.md中进行查找下载

mmdetection
├── configs
│   ├── _base_
│   ├── xxx
│   ├── cascade_rcnn
│   ├── dcn 	
│   │   ├── README.md

Examples:

cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco_20200130-2f1fca44 https://open-mmlab.s3.ap-northeast-2.amazonaws.com/mmdetection/v2.0/dcn/cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco/cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco_20200130-2f1fca44.pth

数据准备

训练数据需要转换为coco或者voc的标准格式

coco数据集合格式：
    def end_process(self):
        instance = {}
        instance['info'] = 'fabric_defect'
        instance['license'] = ['none']
        instance['images'] = self.images
        instance['annotations'] = self.annotations
        instance['categories'] = self.categories
        # self.save_coco_json(instance, os.path.join(os.getcwd(),  'data', self.new_dataset_dir,
        #                                            "annotations/" + 'instances_{}.json'.format(self.mode)))
        self.save_coco_json(instance, os.path.join(root,  'data', self.new_dataset_dir,
                                                   "annotations/" + 'instances_{}.json'.format(self.mode)))

详细代码见src/Fabric2COCO

训练

训练代码在tool.train.py

mmdetection
├── tools
│   ├── train.py

ps: 训练是需要修改学习率(schedule_1x.py)
学习率策略=0.00125*batchsize.
batchsize = worders_per_gpu(多少个GPU) * samples_per_gpu(每个gpu多少张图片)

单卡训练：

python tools/train.py ${CONFIG_FILE} [optional arguments]

EXAMPLE

python mmdetection/tools/train.py ../code/config/cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco.py --gpus 1 --work-dir ../code/config/submit

多卡训练：

./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]

EXAMPLE

./tools/dist_train.sh ../code/config/cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco.py 4 --work-dir ../code/config/submit

测试

python mmdetection/tools/test.py ../code/config/cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco.py ../code/config/submit/训练生成的权重 --out results.pkl --eval bbox

Image demo

python demo/image_demo.py ${IMAGE_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE} [--device ${GPU_ID}] [--score-thr ${SCORE_THR}]

EXAMPLE:

python demo/image_demo.py demo/demo.jpg configs/faster_rcnn_r50_fpn_1x_coco.py \
    checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth --device cpu

可视化

log分析

首先需要安装seaborn

pip install seaborn

python tools/analyze_logs.py plot_curve [--keys ${KEYS}] [--title ${TITLE}] [--legend ${LEGEND}] [--backend ${BACKEND}] [--style ${STYLE}] [--out ${OUT_FILE}]

EXAMPLE:

#分类loss
python tools/analyze_logs.py plot_curve log.json --keys loss_cls --legend loss_cls
#将loss保存到pdf
python tools/analyze_logs.py plot_curve log.json --keys loss_cls loss_bbox --out losses.pdf
#在同一张图中对比两次run的bbox map
python tools/analyze_logs.py plot_curve log1.json log2.json --keys bbox_mAP --legend run1 run2
#计算平均训练速度
python tools/analyze_logs.py cal_train_time log.json [--include-outliers]
#获取FLOPs和参数
python tools/get_flops.py ${CONFIG_FILE} [--shape ${INPUT_SHAPE}]