目录前言一、环境配置1.下载checkpoint文件2.运行demo二、制作自己的数据集1.标注数据2.标签格式转换3.可视化数据集4. 数据集裁剪三、 修改配置文件1.修改classes2.修改训练参数四、训练并测试1.训练2.测试3.预测五、总结参考资料前言mmrotate旋转目标检测框架的学习与使用是在AutoDL的服务器上进行的，配置为ubuntu18.04，GPURTX2080Ti*1，以下是一个学习过程的记录，希望能对大家有所帮助。一、环境配置MMRotate依赖 PyTorch, MMCV 和 MMDetection，以下是安装的简要步骤。更详细的安装指南请参考 安装文档。con
目录前言一、环境配置1.下载checkpoint文件2.运行demo二、制作自己的数据集1.标注数据2.标签格式转换3.可视化数据集4. 数据集裁剪三、 修改配置文件1.修改classes2.修改训练参数四、训练并测试1.训练2.测试3.预测五、总结参考资料前言mmrotate旋转目标检测框架的学习与使用是在AutoDL的服务器上进行的，配置为ubuntu18.04，GPURTX2080Ti*1，以下是一个学习过程的记录，希望能对大家有所帮助。一、环境配置MMRotate依赖 PyTorch, MMCV 和 MMDetection，以下是安装的简要步骤。更详细的安装指南请参考 安装文档。con
近几天跑完实验后，发现效果还是不错，于是开始进行模型的参数量、计算量和速度指标的计算对比，话不多说，直接上干货。--------------------------------------------------------------------------------------------------------------------------首先记住一句话：模型的参数量越小，这个模型的计算量不一定小，速度也不一定快。关于参数量和计算量：找到mmdetection或mmrotate的 tools/analysis_tools/get_flops.py文件，可以看到：config表示你
近几天跑完实验后，发现效果还是不错，于是开始进行模型的参数量、计算量和速度指标的计算对比，话不多说，直接上干货。--------------------------------------------------------------------------------------------------------------------------首先记住一句话：模型的参数量越小，这个模型的计算量不一定小，速度也不一定快。关于参数量和计算量：找到mmdetection或mmrotate的 tools/analysis_tools/get_flops.py文件，可以看到：config表示你
1、模型rotated_rtmdet的论文链接与配置文件注意：我们按照DOTA评测服务器的最新指标，原来的voc格式mAP现在是mAP50。IN表示ImageNet预训练，COCO表示COCO预训练。与报告不同的是，这里的推理速度是在NVIDIA2080TiGPU上测量的，配备TensorRT8.4.3、cuDNN8.2.0、FP16、batchsize=1和NMS。2、修改RTMDet-tiny的配置文件基础配置文件：rotated_rtmdet_l-3x-dota.py_base_=['./_base_/default_runtime.py','./_base_/schedule_3x.p
1、模型rotated_rtmdet的论文链接与配置文件注意：我们按照DOTA评测服务器的最新指标，原来的voc格式mAP现在是mAP50。IN表示ImageNet预训练，COCO表示COCO预训练。与报告不同的是，这里的推理速度是在NVIDIA2080TiGPU上测量的，配备TensorRT8.4.3、cuDNN8.2.0、FP16、batchsize=1和NMS。2、修改RTMDet-tiny的配置文件基础配置文件：rotated_rtmdet_l-3x-dota.py_base_=['./_base_/default_runtime.py','./_base_/schedule_3x.p
基本思想：仍然是身份证分割，因为上一个篇博客的效果不好，所以操刀改mm系列的框架，并进行ncnn和mnn的c++的部署开发 mmcv_full1.6.1＋mmrotatev0.3.2测试没有问题mmcv_full1.4.６+mmrotatev0.3.0版本如果报错 ，需要删掉/home/ubuntu/v0.3.0/mmrotate/mmrotate/models/dense_head/oriented_reppoints_head.py报错提示的引用包chamfer_distance mmrotate源码和mnn源码使用20220813之前日期的测试没有问题, 第一步下载源码ubuntu@ub
基本思想：仍然是身份证分割，因为上一个篇博客的效果不好，所以操刀改mm系列的框架，并进行ncnn和mnn的c++的部署开发 mmcv_full1.6.1＋mmrotatev0.3.2测试没有问题mmcv_full1.4.６+mmrotatev0.3.0版本如果报错 ，需要删掉/home/ubuntu/v0.3.0/mmrotate/mmrotate/models/dense_head/oriented_reppoints_head.py报错提示的引用包chamfer_distance mmrotate源码和mnn源码使用20220813之前日期的测试没有问题, 第一步下载源码ubuntu@ub
