pytorch环境之mask-rcnn源码实现

• 1.下载源码及配置环境
• • 1.1 mask-rcnn源码下载
  • 1.2 安装项目依赖包
  • 1.3 coco2017数据集下载
  • 1.4 气球数据集下载
• 2. 使用coco2017数据集训练模型
• • 2.1 修改数据集类别名称和类别数量
  • 2.2 修改配置文件
  • 2.3. 代码运行报错问题解决
• 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
  • 4.2 修改配置文件
  • 4.3 代码运行
  • 4.5 优化模型
  • • 4.5.1 打印损失
    • 4.5.2 调整超参数

• 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
  

1.3 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. 使用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
      

  • 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
      

    
• 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 打印损失

• 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,批次2太小，轮次12也小
  • 打印出来显示的是这样的，惊呆了，，，
    

4.5.2 调整超参数

• 将batch_size改为8【后期又改回来了】

• 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
  

  • 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
    

  • 所以我又改为了2,就是没修改batch_size,好浪费时间啊
    

• 将epoch改为150,改为100下面这个图片没有检测出来,又改为150了，150也不行，还是100吧，这个图片算了，我放弃了
  

• 学习率改为0.0025【网上说的使用的gpu越少，学习率就要越低】
  

• 修改打印损失迭代次数interval，train数据集有63个，一次给gpu图片个数batch_size为2，所以一个epoch总为31次，我们设置迭代4次打印一次损失 【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】
  

• 测试数据

  • 设置保存图片路径【圈出框的图片】
    

  • 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
  

• 使用val数据集测试，发现一个物体对应多个框
  

• 调整相关非极大值抑制参数【还没有调好，调好再更新】
  

• 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/
  

  

  • 查看损失图，效果好象不好，下周继续调参数
    
  • 要下班了，再见