上篇文章提到了mmdetection的配置并且测试好啦。下面关于如何train我们自己的数据。

主要讲一下一些改动原配置文件的问题，毕竟mmdetection开源的时间不长，还是在不断更新的。

官方建议自己的数据在mmdetection目录下创建data目录，以coco数据格式为例吧。

mmdetection
├── mmdet
├── tools
├── configs
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── train2017
│   │   ├── val2017
│   │   ├── test2017

我的训练数据比较多，也是正好赶上时候，前20天刚刚pull了一个可以支持多个json ann_files的版本，所以我的对应模型的cfg里面关于数据的放置是这样的：

注意一个ann_file需要对应一个img_prefix，否则会报错，同时现在也支持多尺度训练了，看我的img_scale格式怎么写的比葫芦画瓢即可（这些都在github对应的issue栏有体现，我直接拿结果过来贴了）

数据集是这样的：

当然官方推荐通过创建软连接方式

cd mmdetection
mkdir data
ln -s $COCO_ROOT data
其中，$COCO_ROOT需改为你的coco数据集根目录

voc格式整体类似。可以参考这篇blog：https://blog.csdn.net/hajlyx/article/details/83542167

然后输入train的命令 有分布式和非分布式两种训练，官方推荐使用分布式训练过程。

./tools/dist_train.sh configs/cascade_rcnn_r101_fpn_1x.py 4 --validate

如果不想采用分布式的训练方式，或者你只有一块显卡，则运行下方的代码

python tools/train.py <CONFIG_FILE> --gpus <GPU_NUM> --work_dir <WORK_DIR>

下面摘自官方：

Supported arguments are:

• --validate: perform evaluation every k (default=1) epochs during the training.
• --work_dir <WORK_DIR>: if specified, the path in config file will be overwritten.

Expected results in WORK_DIR:

• log file
• saved checkpoints (every k epochs, defaults=1)
• a symbol link to the latest checkpoint

Important: The default learning rate is for 8 GPUs. If you use less or more than 8 GPUs, you need to set the learning rate proportional to the GPU num. E.g., modify lr to 0.01 for 4 GPUs or 0.04 for 16 GPUs.

所以大家看到了，默认的学习率是8核gpu的 我只有4核 所以调整了配置文件里的学习率为0.001

如果你的数据集没有什么异常情况的话这个时候模型就可以开始train了。还有一个疑惑的地方是这样的：

epoch后面的8684是总图片的数量 ，可是我明明放进去了69000+的图片，为什么会有这样的结果呢？

mmdetection默认一张gpu训练2张图片，而我开启了4个gps，所以一个batch的大小是2*4=8 所以一共8684个batch。

模型train完后测试：

如果你在训练的时候加入了--validate指令的话，在每个epoch结束的时候会进行val数据集的一次评估，对于test数据集的评估需要执行下面的指令。

 python tools/test.py configs/cascade_rcnn_r101_fpn_1x.py ../work_dirs/cascade_rcnn_r101_fpn_1x/epoch_16.pth --gpus 4 --out ./result/result_16.pkl --eval bbox --show

官方给出的参数有

To perform evaluation after testing, add --eval <EVAL_TYPES>. Supported types are: [proposal_fast, proposal, bbox, segm, keypoints]. proposal_fast denotes evaluating proposal recalls with our own implementation, others denote evaluating the corresponding metric with the official coco api.

我没有跟分割有关的所以就评估bbox ，这里还有一个改动，我只想要某一类的AP而coco默认AP即mAP，所以有一个改动的小tricks：

修改coco_utils.py的det2json文件：

 if后面的id改成你的category id。我的是飞机 也就是5  如果你是在conda环境下的话，要在这个路径下面修改：

anaconda3/envs/mmdetection/lib/python3.6/site-packages/mmdet-0.5.5+1b9f9b8-py3.6.egg/mmdet/core/evaluation

然后输入test命令，得到的就是飞机类的AP啦。贴一张效果图：

可以看出ap还是不错的