一、训练之前的准备，使用自己的数据集

默认使用coco数据集格式（json文件）

1. 修改./mmdet/datasets/coco.py里的CLASSES的元组为自己的数据集类别
   
2. 修改./mmdet/core/evaluation/class_names.py里的coco_classes()函数
   

二、修改配置文件

配置文件在./config/*.py
配置文件参数使用python字典形式存储的
几个需要改的地方

1. pretrained：预训练模型.pth文件，默认是运行时从链接即时下载的，也可以提前下载好，在此填写下载好的的模型路径；
2. num_classes：类别数；
3. data_root：自己数据集的根目录；
4. img_scale：自己数据集的图片尺寸 (最大边，最小边)；
5. data.train{val, test}.ann_file{img_prefix}：数据集的标注和图片路径；
6. optimizer：修改优化器的策略，尤其是lr，学习率过大会梯度爆炸NaN，默认学习率是gpu=8的，学习率的设定大致与GPU数量成正比。

三、训练

python tools/train.py configs/mask_rcnn_r50_fpn_1x.py --validate

参数配置：

config 配置文件路径
–work_dir 保存log和模型的路径，在配置文件里有默认路径，每个epoch都会生成一个.pth，latest.pth是一个符号链接，链接到最新的训练模型；
–resume_from 从某个检查点继续训练
–validate 训练期间是否评估检查点
–gpus 使用GPU的个数，仅适用于非分布式训练， 默认为1
–seed 随机种子，默认是None
–launcher 任务启动器 choices=[‘none’, ‘pytorch’, ‘slurm’, ‘mpi’], default=‘none’
–local_rank 默认是0
–autoscale-lr 用gpu的数量自动缩放lr

四、测试

python tools/test.py configs/mask_rcnn_r50_fpn_1x.py \
work_dirs/mask_rcnn_r50_fpn_1x/latest.pth \
--out ./test_result/mask_rcnn_r50_fpn_1x/latest.pkl \
--eval bbox segm 
--show

参数配置：

config 配置文件，和训练的一样；
checkpoint 训练出来的模型.pth的路径，
-out 输出结果文件路径
–eval 测试评估类型 参数可多选 choices=[‘proposal’, ‘proposal_fast’, ‘bbox’, ‘segm’, ‘keypoints’]；
–show 显示测试图片
–launcher

四、基础使用

待写