使用mmdetection快速复现计算机视觉顶会论文_计算机视觉论文复现

最近，老师让我将我们组的一个算法和目前最先进的算法做对比实验，复现过论文的都知道，每篇论文的硬件和软件环境各不相同，代码框逻辑结构也各不相同，这就导致复现论文变得麻烦，有没有什么办法能够快速复现这些计算顶会上的论文呢，经过我的调研发现，商汤科技公司发布的openmmlab项目将各个领域的最新论文进行复现，并且使用他们的框架进行编写，也就是用户只需要搭建好他们框架的环境，就可以在这个环境下快速复现所有openmmlab支持的论文的算法，并且openmmlab的代码结构比较清晰，可以通过config文件快速根据需要调整算法的参数。但是我在使用openmmlab的mmdetection项目跑我自定义数据集的时候，还是遇到了一些问题，下面记录分享我使用mmdetection中的支持的算法跑自定义数据集的过程供各位小伙伴参考。下面主要是在linux系统下使用mmdetection的记录，也建议小伙伴们在linux系统下运行mmdetection，windows下bug太多。

1 mmdetection环境安装

mmdetection主要是需要MMCV进行支持。

MMCV的版本需要根据电脑上cuda和pytorch的版本进行更改

比如我的电脑上cuda是11.3，pytorch是1.10.0，因此我就到下面这个网址中去找，我要的mmcv版本：（可以根据你的cuda和pytorch版本修改下面网址）

https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html

网址内容如下、

找到上图中对应的版本，复制下载地址，通过下面命令在ubuntu系统中进行下载

wget 地址

下载完成之后，将路径切换到对应的下载位置，使用下面命令进行安装即可

pip install mmcv文件名

 到这里最基础的环境，就安装成功了，还缺的库，在运行mmdetection的时候，通过报错，缺什么，就安装什么即可。

2、自定义数据集格式修改

这里建议将自定义的数据集格式修改为coco数据集格式，因为我在网上看的视频、博客基本都是将数据集修改为coco数据集格式的。一般来说，大家的数据集格式可能是yolo、voc、coco。大家可以直接在csdn中搜索yolo转coco，voc转coco，有很多现成的代码供大家进行转换。这里我就不再赘述，我后续也会出数据集格式转换的文章（大家可以先关注一波，hahaha），mmdetection项目的整体文件格式大致如下所示：

2.1 数据集存放位置

下面介绍转换好的coco数据集在mmdetection项目中的文件名称和存放位置：

在mmdet文件夹下创建data文件夹，在data文件夹下创建coco文件夹，在coco文件夹下创建annotations文件夹用来存放标签文件。在coco文件夹下直接将训练图片train2017和验证图片val2017放入

3、mmdetection代码修改

想要mmdetection能够运行我们自定义的代码文件，那么肯定是要对mmdetection原项目进行一定修改的，这里也是困扰大部分小伙伴的地方，这里如果没有修改好，后面进行训练的时候就容易出现各种问题。

3.1 检测类别的修改

将以下文件的检测类别修改为自定义数据集对应的类别：（这里我的自定义数据集只有Floating-debris这一个类别）

修改位置1：

修改位置2：

3.2 算法配置文件修改（非常重要）

3.2.1 生成完整算法配置文件

算法配置文件都在config文件夹内：

这里不建议直接修改config文件夹中对应算法的配置文件，因为首先我们尽量不要去修改原代码防止出现一些bug，其次原配置文件有的是通过应用其他公共配置文件进行编写的，直接修改需要找到引用的公共文件，然后再公共文件中进行修改，这样不仅麻烦，而且风险很大

mmdetection在运行算法的时候，会生成这个算法完整的配置文件，并将其存放在tools文件夹下的workdir文件夹中，因此，我们可以先运行mmdetection文件，然后在生成的算法配置文件中再进行我们的修改。下面介绍具体操作步骤：

找到你要跑的算法，一般有两个位置，一个是configs文件夹，另一个是projects文件夹

下面以dino算法为例：

选择你要跑的文件，复制文件路径

然后再终端执行如下代码：（不要照抄下面命令，后面的算法配置文件路径要根据你自己的电脑来写）

python tools/train.py /root/mmdetection-main/configs/dino/dino-4scale_r50_8xb2-12e_coco.py
# 或者
cd tools
python train.py /root/mmdetection-main/configs/dino/dino-4scale_r50_8xb2-12e_coco.py

在输出一定内容后，就ctrl+c终止（或者等待自己报错终止，因为上述文件还没修改，一般都会报错）

这个时候到tools文件下的work_dir文件中自动生成的完整的配置文件，我们在这个配置文件的基本上改，不动原本项目内容，不容易出错，还省事。这里我将生成的配置文件名修改为了my_dino....，你可以自己修改或者不进行修改，只要自己能够区分就行了。

3.2.2 修改生成的算法配置文件（核心）

主要修改的地方如下所示

• 文件路径

# 这里要填上数据的根目录
data_root = '/root/mmdetection-main/mmdet/data/coco/'
# 配置文件中其他的路径同样要检查，修改，要确保路径正确，想要避免出错，可以全部替换成绝对路径

• 添加metainfo（很坑，困扰了我很久，不添加会报list out of range错误）

metainfo = dict(
    classes=('Floating_debris'),
    palette=[(220, 20, 60)]
)

然后需要在train_dataloader、test_dataloader、val_dataloader代码中添加metainfo=metainfo

• 日志保存间隔以及checkpoint保存间隔（根据自己的需要修改，不会影响正常运行）

checkpoint=dict(interval=10, type='CheckpointHook'),
    logger=dict(interval=50, type='LoggerHook'),

• epoch以及val_interval（根据自己的需要修改，不会影响正常运行）

# 一般有以下两个地方
max_epoch = 273
train_cfg = dict(max_epochs=273, type='EpochBasedTrainLoop', val_interval=7)

•  batch_size（这个根据电脑显存来配置，如果电脑显存不够，这里又设置的太大的话，就会导致训练的时候超显存而中止）

auto_scale_lr = dict(base_batch_size=8, enable=False)
# 直接全局搜索batch 找到根据情况修改 batch_size调的越大，训练效果越好，但是注意别爆显存了

• num_class

num_class = 自定义数据集种类数

• 加载预训练文件

load_from = None

预训练文件可以到github openmmlab mmdetection项目官网去查看

https://github.com/open-mmlab/mmdetection

可以将需要的配置文件下载到本地，然后再load_from后面添加上对应的配置文件路径即可。

修改好文件之后，可以rename一下，然后放在原来的configs文件下的位置

3.3 训练

可以使用修改好的文件，进行训练（train.py文件后面要加上对应的修改好的配置文件的路径）

# 还是使用tools文件夹下的train.py函数进行训练，可以先进行tools文件夹，然后运行trian.py
python train.py /root/mmdetection-main/configs/dino/my_dino-4scale_r50_8xb2-12e_coco.py

 4、训练过程日志输出解析

下面是我网上找的一张图，感觉介绍的还是比较详细的

5、模型评估分析

5.1 日志分析（可以绘制分类曲线）

# 要先安装 pip install seaborn
LOGFILE=_ 	# log文件 log.json
OUTFILE=_ 	# 图片输出地址
KEYS=_ 		# 打印的键值
TITLE=_		# 输出图片title
python tools/analysis_tools/analyze_logs.py plot_curve $LOGFILE [--keys ${KEYS}] [--title ${TITLE}] [--legend ${LEGEND}] [--backend ${BACKEND}] [--style ${STYLE}] [--out ${OUTFILE}]

例如：

# 不设置--key 默认就是mAP_bbox
python analysis_tools/analyze_logs.py plot_curve /root/mmdetection-main/tools/work_dirs/dino-4scale_r50_8xb2-12e_coco/20240218_141430/vis_data/20240218_141430.json --out log_curve_dini_50.png
# 设置--key
python analysis_tools/analyze_logs.py plot_curve /root/mmdetection-main/tools/work_dirs/dino-4scale_r50_8xb2-12e_coco/20240218_141430/vis_data/20240218_141430.json --key loss --out log_curve_dini_50.png

--key有哪些内容可以到log文件中去查看

 5.2 使用image_demo.py测试图片

复制一张测试集图片到demo文件夹下：

运行示例：

python /root/mmdetection-main/demo/image_demo.py /root/mmdetection-main/demo/000004.jpg /root/mmdetection-main/configs/dino/my_dino-4scale_r50_8xb2-12e_coco.py --weights /root/mmdetection-main/tools/work_dirs/dino-4scale_r50_8xb2-12e_coco/epoch_12.pth

6、总结

到这里，使用mmdetection的环境配置，数据集格式位置、配置文件修改、训练，测试都介绍完毕了，感谢各位小伙伴看到这里，如果对大家有帮助的话，麻烦给博主点个关注，感谢感谢