文章目录1、数据集格式及存放2、修改两处3、用训练命令生成配置文件4、正式训练开始5、报错记录6、模型评价测试（VOC指标mAP、COCO指标AP）7、绘制每个类别bbox的结果曲线图并保存8、统计模型参数量和FLOPs9计算混淆矩阵10画PR曲线11查看完整config配置文件12核查数据增强的结果是否正确8、参考链接1、数据集格式及存放mmdet支持COCO格式和VOC格式，能用COCO格式，还是建议COCO的。网上有YOLO转COCO，VOC转COCO，可以自己转换。在mmdetection代码的根目录下，创建data/coco文件夹，按照coco的格式排放好数据集。annotation
使用MMDetection训练自己的数据集前言1、配置文件修改配置文件获取方式一：配置文件获取方式二（推荐）：1.1model部分1.2dataset部分1.2.1traindataset部分训练部分数据增强traindataset后续1.2.2dataset后续1.3其他部分2、绘制训练损失图全部配置信息报错问题总结参考链接前言本文主要阐述如何使用mmdetection训练自己的数据，包括配置文件的修改，训练时的数据增强，加载预训练权重以及绘制损失函数图等。这里承接上一篇文章，默认已经准备好了COCO格式数据集且已安装mmdetection，环境也已经配置完成。这里说明一下，因为mmdete
首先需要训练，训练会自动生成：latest.pth权重文件根据权重文件生成“.pkl”文件；下面以faster_rcnn为例，–out是只生成的权重文件地址，result是生成的pkl文件名；python./tools/test.py./configs/faster_rcnn_r50_fpn_1x.py./work_dirs/faster_rcnn_r50_fpn_1x/latest.pth--out=result.pkl绘制混淆矩阵以faster_rcnn算法为例#!pythontools/analysis_tools/confusion_matrix.py-h!pythontools/an
本文仅讨论节省图片加载时间问题，这里面可能有一些容易忽视的细节。yolov5的训练参数里面有一个--cache，默认是ram，就是把解码后的图片保存在内存中。也可以是disk，就会把解码后的图片保存在硬盘上。parser.add_argument('--cache',type=str,nargs='?',const='ram',help='--cacheimagesin"ram"(default)or"disk"') 解码后的图片就是numpy数组啦，保存为.npy文件 这里可能有一个问题，保存在硬盘上有啥用？能加速吗？接下来就稍微展开讨论一下。一。现象在训练的时候，有可能会发现显卡使用率不高
坐标中间的转换1齐次坐标概念概念：齐次坐标就是将一个原本是n维的向量用一个n+1维向量来表示，是指一个用于投影几何里的坐标系统。 引入齐次坐标的目的就是合并矩阵运算中的乘法和加法，即它提供了用矩阵运算把二维、三维甚至高维空间中的一个点集从一个坐标系变换到另一个坐标系的有效方法。2.把雷达坐标系看成世界坐标系，则世界坐标系中任意一点W，其世界坐标为： 其世界齐次坐标为：又假设雷达坐标系到相机坐标系的转换矩阵为E，（该矩阵即是外参矩阵，取其英文Extrinsic首字母E），假设其逆矩阵为：设点W在相机坐标系下的坐标表示为：其在相机坐标系下的齐次坐标为：则有：即：为消除齐次坐标、简化计算，特令：则公
文章目录前言一、mmdetection的1.准备1.导入自己的coco数据集2.修改3.训练4.数据分析5.测试模型二、遇到的问题1.FileNotFoundError:[Errno2]Nosuchfileordirectory:'data/coco/train217/furty_1860.jpg'2.FileNotFoundError:file"F:\detection\mmdetection\demo1_test\mask_rcnn_r101_fpn_2x_coco.py"doesnotexist3.test.py:error:thefollowingargumentsarerequire
1.计算各个类别的map1.1方法1:直接计算,仅支持voc数据集与custom数据集使用如下命令直接计算各个分类的map,使用的图片为config配置中test中的数据集评估pythontools/test.pywork_dirs/faster_rcnn_r50_fpn_1x_coco.pywork_dirs/latest.pth--evalmAP#参数说明-work_dir/faster_rcnn_r50_fpn_1x_coco.py:模型配置文件-work_dir/latest.pth:训练好的模型---evalmAP:使用map评估但该方式只支持voc数据集与custom数据集1.2方
3D目标检测NuScenes数据集本页提供了有关在MMDetection3D中使用nuScenes数据集的具体教程。准备之前您可以在这里下载nuScenes3D检测数据并解压缩所有zip文件。像准备数据集的一般方法一样，建议将数据集根目录软链接到$MMDETECTION3D/data。在我们处理之前，文件夹结构应按如下方式组织。mmdetection3d├──mmdet3d├──tools├──configs├──data│├──nuscenes││├──maps││├──samples││├──sweeps││├──v1.0-test||├──v1.0-trainval数据准备我们通常需要通
后面的不用看了，直接看最省事版本： 直接用CUDA_VISIBLE_DEVICES="2,3"指定多卡就可以，也可以给sh文件传参进去。但是，切记！切记！切记！sh文件里不能有空行，尤其是使用反斜杠\连接多行的时候，我一开始尝试指定多卡不起作用，就是因为图美观手贱多了个空行，调试了好久。反面教材如下：到这里就OK了，下面的正文不用看了。懒得删了(╯︵╰) 正文： 今天做目标检测的多卡训练，想两张卡并行跑一组参数，希望在0号和1号显卡上挂两组实验，在2号和3号显卡上挂两组实验，他们都用两张卡并行。为什么不用四张卡并行跑四个实验呢？因为显存不够。使用的命
网上MMDetection的教程看似有很多，但感觉都不成系统，看完一圈下来还是不知道MMDetection要怎么用。这里还是推荐直接跟着官方教程，结合源码学习MMDetection，相关链接汇总如下：官方教程-MMCV官方教程-MMDetection官方教程-不得不知的MMDetection学习路线(个人经验版)西安交大课件-mmdetection教程(使用篇) 本文会介绍如何在MMDetection中从头开始搭建一套属于自己的算法。前几篇博客算是本人学习过程中的笔记，从源码本身分析了MMDetection的原理，比较细碎，本篇博客会从宏观的角度重新梳理一下MMDetection的使用方
