MMDetection目标检测实例
MMDetection基于cooc数据集，Faster-rcnn方法的目标识别训练
前言
接触深度学习目标检测工具箱MMDetection将近一周了，学习过程十分艰难，光是安装配置环境就用了三天时间，不过慢慢克服苦难的样子是真漂亮！
由于这个工具箱是商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学在2018年联合开源的，比较新，而且没有非常详细的教程供我们学习，因此这里我要非常感谢那些大佬在平台上分享自己的经验。
以下便是一个小小实例想和大家分享（MMDetection工具包的使用环境：Ubuntu+Pycharm），愿大家也可以借助MMDetection感受一下深度学习目标检测的独特魅力。
一、MMDetection安装
安装的话我的经验简单地说就是：
1.硬件配置（GPU）
2.Linux比Windows好安装
3.参照Github上面的说明，一些依赖库的版本一定要对应
以下是我推荐的视频和博客：
mmdetection合集
深度学习目标检测工具箱mmdetection，训练自己的数据
二、数据集介绍
这个实例我是依据这个视频来做的，但是有很多步骤内容不太一样，可能是这个工具箱更新速度太快了，py文件有欣欣然出现的也有悄悄然陨落的，但是大体过程还是OK的。
数据集我存在了网盘里，大家直接下载就可以jku4 ，目标检测是由“壶”和“说明书”组成的，给大家放一个图感受一下：
数据集打开是三个文件夹：
其中annotations文件夹中有两个JSON文件：
Instances_train2017中，种类是’hu’和’shu’（应该是壶和书的意思）：
二、创建更改相关的py文件
注意这里我所使用的mmdetection-master是在Github下载的，这个工具箱更新速度很快，所对应的py文件可能会被更新，但是大体流程是差不多一致的。
1.修改coco.py下的CLASSES=(‘hu’,’shu’)，顺序不要颠倒，因为JSON格式（看上面那个图）的种类顺序就是’hu’,’shu’。
class CocoDataset(CustomDataset):
CLASSES=('hu','shu')
2.修改configs/faster-rcnn/faster_rcnn_r50_fpn_1x_coco.py，通过这个找到它所依赖的4的py文件。
2.1修改configs/base/models/faster_rcnn_r50_fpn.py.
Step1：找到num_classes=3,我的py文件中num_classes只有一处（其实这块我也一直很疑惑到底是2还是3，原本是81，我数了数类别是80个，应该需要考虑到背景，但是第一次尝试的时候设置num_classes=2也可以训练下来，更新：又尝试了新的数据集，2个类别的，但是num_classes=3的时候就报错，大家两种方式都可以试一下） Step2：pretrained=None（在最上面）但是我没弄懂为什么要这样，大家可以看看那个视频。
2.2修改configs/base/datasets/coco_detection.py
修改文件的相关路径data_root以及image_scale()。
2.3修改schedule_1x.py和default_runtime.py
Step1：这里先通过torch.cuda.device_count()来查看你的GPU数量。当GPU数量为8时,lr=0.02；当GPU数量为4时,lr=0.01；我只要一个GPU，所以设置lr=0.0025。这里也可以修改一下total_epochs（总共迭代的次数）。
Step2：这里的interval=11是因为Val2017里面一共有11张照片，[更新：换一句话说就是每一段的间隙，如下图，val里面一共有4000张，但是我设置为12的话，训练时的过程即为下图所示]
load_from=’faster_rcnn_r50_fpn_1x_3.pth’(对应下文)
3.修改mmdet/evaluation/class_names.py中的coco_classes()。
4.在mmdetection-master的目录下创建一个名叫changefasterrcnn的py文件。
这边需要在该目录下创建一个checkpoints，并下载对应的pth，这个是官方训练好的权重文件，可以在对应的方法文件夹的readme中查找链接下载，像这个就是在faster-rcnn文件夹中的readme中下载这里是我提供的链接提取码：9iq1 （可能因为官方更新而不能用，会出Error，譬如什么”pth is not a checkpoint”）。
三、编译训练
Xshell（终端）输入：
python changefasterrcnn.py
运行完后，会在mmdetection-master目录下生成faster_rcnn_r50_fpn_1x_3.pth,对应的就是2.3的Step2所提到的pth文件（load_from=’faster_rcnn_r50_fpn_1x_3.pth’）。
这边就是训练过程了，过程大概5分种（这里需要提前建立一个work_dirs文件夹，训练过程中的什么日志啊，json文件以及每次迭代的pth文件,这里注意lasest.pth它是一个链接并不是一个pth文件，最后可以用epoch_10.pth来进行检测）：
python tools/train.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py
第十次迭代训练的精确性和召回率：
四、运行Demo实例
1.修改image_demo.py
因为我用的Xshell不好界面化显示（Pycharm社区版貌似也对pyplot过敏），即最后一个show_result_pyplot方法用不起来。如果你可以的话，就不要改了。
show_result_pyplot()具体内容在这个地方：
将plt.show()改为plt.savefig(‘myfigure’),将图片保存下来再打开查看，不让它跳出来：
2.终端运行
将一张照片（00000.bmp）先放入demo文件夹中，并且将之前训练得到的epoch_10.pth放入checkpoints文件夹中。
python demo/image_demo.py demo/00000.bmp configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py checkpoints/epoch_10.pth
最后当铛铛铛，可以得到这张来之不易的myfigure，看检测效果还是不错的：
总结
这个MMDetection工具包虽然很好用，但无论环境的安装配置还是后续的py文件内容的修改都极大考验我们的耐心与细心，希望大家都可以从中锻炼自己的能力，如果遇到Bug也可以在下面留言，我若也遇到相同的bug情况会向大家交流讨论的。如果大家对于目标检测感兴趣，也可以参加Kaggle，Tianchi以及专门的coco数据竞赛。