MMDetection训练自定义COCO格式数据集_mmdetection 配置自定义coco数据集

1. 安装MMDetection环境

首先确定已安装好MMDetection环境，能正常运行 demo/image_demo.py 输出内容。

这里需要注意一点，如果高版本MMDetection安装输出有问题，建议安装低版本的库 mmcv<2.0以及mmdet<3.0,以及更低版本的pytorch<2.0，这一点非常关键，在MMDetection高版本上运行不了的程序，在低版本上是可以运行的。

2.自定义COCO数据集文件夹存放方式以及命名规范

数据集文件夹存放方式，按照如下格式

--data #顶层文件夹
       --coco
            --anotations # 标注文件
                --instances_train2017.json
                --instances_val2017.json
            --train2017 # 训练集
            --val2017   # 测试集

如下图所示，将数据集文件夹放到mmdetection项目主目录中

3.修改关键文件参数

项目整体架构

configs/_base_
               /datasets/coco_detection.py  
                           --> 1.训练输入大小(img_scale) 
                               2. batch_size(samples_per_GPU)
                               3.数据集路径
                               4.最底下 evaluation,添加参数(save_best='auto')#保存最好权重
               /models/算法核心文件 -->1.确定训练类别数量(num_classes)
               /shedules/训练策略 --> 1.确定训练时长(epoch)
configs/文件夹/使用具体哪个训练算法
 
#训练自己的数据集--修改2个关键核心位置
mmdet/core/
           evaluation/class_names.py/ def coco_classes()-->修改为自己的数据集类别
            datasets/coco.py/-->class CoCoDataset 修改为自己的类别 CLASSES, PALETTE 几个类别就用几个颜色框           

3.1修改 mmdet/core/evaluation/class_names.py def coco_classes()

如果找不到这个文件，直接在项目组里Ctrl+F，搜索class_name.py文件

def coco_classes() -> list:
    """Class names of COCO."""
    # 写上自定义数据集的类别的名称
    # 将上面的COCO类别名称注释掉
    return ['0', '1', '2', '3'] # 这里有四个类别

3.2 修改mmdet/datasets/coco.py文件 class COCODataset(BaseDetDataset)

class CocoDataset(BaseDetDataset):
    """Dataset for COCO."""
 
    METAINFO = {
        
        #修改为自定义数据集的类别名称，将上面的COCO类别名称注释掉
        'classes':   ('0', '1', '2', '3'),  
        # 这里有4个类别，需要四个颜色框就可以了
        'palette':
        [(220, 20, 60), (119, 11, 32), (0, 0, 142), (0, 0, 230),]
 
    }

3.3 重新编译

在文件夹主层目录进行文件编译，目的是对类别编译

python setup.py install 

3.4以Faster RCNN举例

接下来还要修改 FasterRCNN配置文件中类别数量

位置在configs/_base_/models/faster_rcnn_r50_fpn.py

# 找到参数 num_class
 
# num_classes=80 # 默认coco数据集类别数量
num_classes=4 # 修改为自定义数据集类别数量

4 训练关键参数

关键训练参数 epoch，batch_size, input_size

4.1在configs/schedules/schedule_1x.py

max_epoch=12 # 设置训练epoch

4.2 在configs/datasets/coco_detection.py

train_pipeline = [
    # 修改scale为需要的输入大小
    dict(type='Resize', scale=(1333, 800), keep_ratio=True),]
 
test_pipeline = [
     # 修改scale为需要的输入大小
    dict(type='Resize', scale=(1333, 800), keep_ratio=True),]

4.3 进行训练

为了方便可以指定具体参数 tools/train.py

#关键参数
parser.add_argument('--config', default='configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py', help='train config file path')
parser.add_argument('--work-dir', default= 'wordir/faste_rcnn', help='the dir to save logs and models')

启动训练

python tools/train.py

4.4 进行测试

例如，测试faster-rcnn_r50_fpn_1x_coco.py

配置好 config文件夹位置，训练权重位置，工作文件夹

#关键参数
parser.add_argument('--config', default='configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py', help='train config file path')
parser.add_argument('--checkpoint', default='workdir/faster_rcnn/epoch_20', help='checkpoint file')
parser.add_argument('--work-dir', default= 'wordir/faste_rcnn', help='the dir to save logs and models')

python tools/test.py

5. 查看结果