MMDet

MMDet 安装

前置条件: nvcc、gcc的安装

安装 mmdet

pip install -U openmim
mim install mmengine
mim install mmcv
git clone https://github.com/open-mmlab/mmdetection.git
mim install -e mmdetection

配置文件（RTMDet）

metainfo

用于数据加载器中，例：

metainfo = {# 类别信息"classes": ("cat", "dog", ...),# 可视化时候的RGB颜色"palette": [(255, 0, 0),(0, 255, 0),...]
}train_dataloader = dict(dataset=dict(metainfo=metainfo)
)

num_epochs_stage2

训练过程的stage，分为2个stage，num_epochs_stage2会在训练时切换stage，例：

# 当训练到最后5个epoch时，启用stage的pipeline（更强的数据增强）
num_epochs_stage2 = 5

load_from

加载预训练权重，例：

load_from = "xxx/rtmdet.pt"

num_classes

修改模型的输出类别，例:

model = dict(bbox_head=dict(dict(num_classes=num_classes))
)

param_scheduler

修改优化器的参数，例：

param_scheduler = [dict(type="LinearLR",start_factor=1e-5,by_epoch=False,begin=0,end=30,),dict(type="CosineAnnealingLR",eta_min=1e-4,begin=max_epochs // 2,end=max_epochs,T_max=max_epochs // 2,by_epoch=True,convert_to_iter_based=True,)
]

visualizer

可视化的后端，例：

# 1. 本地端 （默认）
visualizer = dict(vis_backends=[dict(type="LocalVisBackend")])# 2. Wandb 端
visualizer = dict(vis_backends=[dict(type="WandbVisBackend")])# 3. TensorBoard 端
visualizer = dict(vis_backends=[dict(type="TensorboardVisBackend")])# 4. 组合端
visualizer = dict(vis_backends=[dict(type="LocalVisBackend")，dict(type="TensorboardVisBackend")
])# 或者注册器机制自定义注册

数据集的可视化

使用 “tools/analysis_tools/browse_dataset.py” 来对训练的dataloader进行可视化

可以观察的地方

1. 类别是否正确
2. 标注框是否正确

训练

1. python tools/train.py trmdet_tiny_1xb12-40e_cat.py
2. mim train mmdet trmdet_tiny_1xb12-40e_cat.py --work-dir=“work_dir”
   推理、测试都类似与MMPretrain

MMYOLO 的可视化

安装MMYOLO

git clone https://github.com/open-mmlab/mmyolo.git
mim install -e mmyolo

特征图可视化

调用 “demo/featmap_vis_demo.py” 来可视化结果

# 可视化 backbone
python demo/featmap_vis_demo.py \img.jpg \mmdet_config.py \mmdet_weigh.pth \--target-layers backbone \--channel-reduction squeeze_mean

# 可视化 neck
python demo/featmap_vis_demo.py \img.jpg \mmdet_config.py \mmdet_weigh.pth \--target-layers neck \--channel-reduction squeeze_mean

CAM 可视化

pip install grad-cam

查看neck中的最小特征图的CAM

python demo/boxam_vis_demo.py \img.jpg \mmdet_config.py \mmdet_weight.pth \--target-layer neck.out_convs[2]

趋势

1. 开放词汇目标检测
2. 使用图片和文本描述来检测物体位置（有条件限制的目标检测）
3. X-Decoder

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！