pytorch环境之mask-rcnn源码实现_pytorch版本maskrcnn代码

• 文章参考链接
  • Mask rcnn代码实现_pytorch版_适用30系列显卡

1.下载源码及配置环境

1.1 mask-rcnn源码下载

• mask-rcnn,pytorch版本链接:https://github.com/open-mmlab/mmdetection
• pytorch相关环境文章配置链接：https://blog.csdn.net/m0_46926492/article/details/129544634
• 使用pycharm打开源码，并选择pytorch虚拟环境的python解释器

1.2 安装项目依赖包

• 在虚拟环境中安装相关项目库

  pip install openmim
  mim install mmcv-full
  pip install mmdet
  1
  2
  3

1.3 coco2017数据集下载

• 官网链接：https://cocodataset.org/
  
• 创建data/coco2017文件夹，将文件解压到coco2017中
• 将annotations_trainval2017/annotations文件夹剪切到与train2017,val2017同目录
  
• 将train2017.zip,val2017.zip,annotations_trainval2017.zip,annotations_trainval2017,四个文件都可以删除了
• 将data整个文件放入项目的根目录
  

1.4 气球数据集下载

• 官网链接：https://github.com/matterport/Mask_RCNN/releases
  
• 将气球VIA格式的数据集改为coco数据集
  • 相关文章链接：VIA数据集格式转COCO格式（以气球数据集为例）

2. coco2017数据集训练模型

2.1 修改数据集类别名称和类别数量

• 需要修改为自己数据的类别名称，才能预测
• 修改文件位置
  • mmdetection-master/mmdet/datasets/coco.py
  • mmdetection-master/mmdet/core/evaluation/class_name.py
• 我使用的是coco2017数据集，所以现在不用修改
  

2.2 修改配置文件

• 找到配置文件目录mmdetection-master/configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py
  

• 修改mask_rcnn_r50_fpn.py 文件类别数，将80改为自己的分类个数

  • coco2017数据集不用修改
    

• 修改coco_instance.py 文件,data_root数据集路径

  • 数据集文件路径放的位置是固定的，但是coco2017这个名称可以根据自己的名称修改即可,其他的不需要动
    
  • 为什么需要加../,因为train.py数据集在tools文件夹中，不在根目录，需要找到根目录位置

  

• 修改coco_instance.py 文件数据集路径,查看自己的文件名称，进行相应修改
  

• 修改schedule_1x.py 文件中的学习率修改自己的数值
  

• 修改default_runtime.py 文件，不知道为什么修改
  

• 添加train.py 文件参数
  

2.3. 代码运行报错问题解决

• 运行train.py代码
  • 报错了ImportError: Please run pip install future tensorboard to install the dependencies to use torch.utils.tensorboard (applicable to PyTorch 1.1 or higher)
    • 根据提示命令安装

      pip install future tensorboard
      1

  • 再次运行，又报错了AttributeError: module distutils has no attribute version
    • 查阅资料表示setuptools版本太高，采用低版本的setuptools

      pip install setuptools==59.5.0
      1

    
• 重新运行，成功训练
  • 数据集太大，没有跑完，所以下面使用balloon数据集测试是否正常跑通
    

4.气球数据集训练模型

4.1 修改数据集类别名称和类别数量

• 需要修改为自己数据的类别名称，才能预测
• 修改文件位置
  • mmdetection-master/mmdet/datasets/coco.py
  • mmdetection-master/mmdet/core/evaluation/class_name.py
    

4.2 修改配置文件

• 找到配置文件目录mmdetection-master/configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py
  

• 修改mask_rcnn_r50_fpn.py 文件类别数，将80改为自己的分类个数，我改为1
  

• 修改coco_instance.py 文件,data_root数据集路径

  • 路径根据自己的数据集修改
    

• 修改coco_instance.py 文件数据集路径,查看自己的文件名称，进行相应修改

  • 注意自己的json文件名称，我修改为了train.json,val.json
    

• 在训练过coco2017数据集之后修改了其他的配置，其他都不需修改

4.3 代码运行

• 运行train.py代码，成功训练
  

4.5 优化模型

4.5.1 查看算法指标图

• 代码运行成功，但是效果非常差
• 原超参数
  batch_size=2,epoch=12
• 使用balloon数据集train数据集个数为63，val数据集个数为13,数据及太小了，所以要根据自己的数据集修改超参数
  • 打印出来显示的是这样的，惊呆了，，，
    

4.5.2 调整超参数batch_size

• 最终调整的超参数值samples_per_gpu=1
• 电脑只有一个gpu，源码有8个gpu,所以他的samples_per_gpu=2，实际batch_size为16，实际调整的参数是samples_per_gpu
  
• samples_per_gpu这个值调试了很多次
  • 我将samples_per_gpu改为16，报错显示内存溢出
  • 改为8使用训练集测试，一个图片都没有检测出来【不知道什么问题】
    • 网上说batch_size太大，会影响模型的泛化能力，我的数据集比较少，可能会是这个原因
    • 文章链接: BatchSize的数值并不是设置的越大越好
  • 改为了4,有检测出来的，但是还有没有检测出来的
    
  • 改为2，下面这张图片没有预测出来
    
  • 想想就这样吧，最后改为1试了一下，预测出了一个气球，只能这样了，数据集小了
    
• 参数修改文件
  

4.5.3 调整超参数epoch和学习率

• 前期sample_per_gpu修改时，epoch也修改了，改过200,150，都没有什么效果
• 原因：数据集太小，应该是不需要这么多批次，最后就设置了100，没有设置更低的，但是觉得80可能效果也差不多，不想再试了，，，
• 学习率改为0.0025【网上说的使用的gpu越少，学习率就要越低】
  

4.5.4 迭代次数interval

• 没有什么对模型实际的影响，该不该都行，只是在终端会打印loss信息，但是也看不出来什么，看图比较明显
• 我是改为了4
  

4.5.5 运行test文件测试数据

• 设置保存图片路径【检测出的图片】
  

• 在test.py中加入参数

../configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py
../tools/work_dirs/mask_rcnn_r50_fpn_1x_coco/epoch_150.pth
--show
--eval
bbox
segm
1
2
3
4
5
6

• 使用val数据集测试
  

• 预测问题，一个物体出现多个框
  

• 调整相关非极大值抑制参数

  • 修改nms参数，红线行数数值修改了，默认值是注释的值
  • 也调好几次，这是最后的值
    

• 测试结果图

  • 一张图片测试结果还好
    

  • 多个气球不重叠的效果还好
    

  • 多个气球重叠的效果还不是很好

  

  • 测试错误的，把像气球的形状也测出来了
    

4.6 再次查看算法指标图

• 查看loss,使用tensorboard
  • 在终端项目根目录输入命令logdir为输出的日志路径

  tensorboard --logdir=tools/work_dirs/mask_rcnn_r50_fpn_1x_coco/
  1

  
• 学习率
  
• 训练集指标图
  • 精准率大约为93.5%
  • 其他损失也都在缓慢下降
  • 总体看效果是不错的
    
    
• 校验集指标图
  • 不知道是什么意思，但是感觉效果不错
  • 以后知道都是什么指标再更新
    
    

5.总结

• 第一次实战，踩了很多坑
• 原先使用的tensorflow框架，环境搞不好，弄了一周放弃了【代码都没有正常运行出来，无语】
• 原先使用的coco2017数据集，真的太大了，训练时间太久了，再调参更可怕，不适合学习
• 实在没有办法了，就是用了balloon数据集，原先就想使用的，但是格式不一样，后期没有办法了，就搜了怎么转换的文章，幸运的是找到了相关代码可以使用,没有很浪费时间
• 这次给我最大的教训，就是不可以一次调多个参数，效果变好变坏都不知道到底是哪个参数导致的
• 调参真的需要经验，希望以后知道怎么调参数，，，