2022/8/22最新版教程

[faster-rcnn]+[ssd]+[yolox]+[retinanet][ssdlite_mobilenetv2]+[yolof]+ N

环境部署＆训练自己数据集＆评估训练结果教程

更多算法持续免费更新！手把手教程，包成功！

欢迎有其他算法需求的小伙伴留言给我们更新的建议！

支持最新版的Pytorch＆Tensorflow＆CUDA！

B站视频教程链接：

[202208]手把手带你用最新的mmdetectionV2.25.1跑Fasterrcnn＆SSD＆YOLOX等几十种目标检测算法_哔哩哔哩_bilibili

举例Faster-RCNN 环境部署说明

1) Python与****Anaconda**** 和****pycharm（社区版免费）

Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言。

1.png

（你也可以使用C语言或者Java，这里只介绍Python的安装）

安装Anaconda能使我们配置环境更加方便。

2.png

我们可以在这个网址下载Anaconda：<u>https://www.anaconda.com/products/individual#Downloads</u>

3.png

一般我们选择64位。安装过程一般为：

【选择‘Just me’】==》【选择安装路径，最好不在C盘】==》【两个选项都打钩】==》【完成】

这时候应该能在【开始】找到【Anaconda3（64-bit）】，至此Anacanda3安装完成。

（你可以在<u>https://blog.csdn.net/didiaopao/article/details/119787139?spm=1001.2014.3001.5501</u> 找到详细的安装说明）

A. Pytorch环境配置

在【开始】菜单中找到【Anaconda3（64-bit）】文件夹，打开Anaconda prompt

4.png

执行【conda env list】查看环境

创建新的环境，输入

【conda create -n mmd2 python=3.7】

其中【mmd2】是环境的名字，【python=3.7】是使用的Python版本

执行后会列出该环境要安装的包，输入y执行即可

5.png

B. Pycharm配置

Pycharm是一款十分好用的Python IDE，这里介绍Pycharm环境的安装

6.png

在官网下载Pycharm，一般下载社区版（社区版够用，专业版要付费）

<u>https://www.jetbrains.com/pycharm/download/#section=windows</u>

7.png

安装。注意该软件尽量不要安装在C盘

这里全打钩

8.png

选择【later】

9.png

打开Pycharm，选择【new project】，注意尽量不在C盘

C. 相关库和Requirements.txt内库的安装

在cmd内（不知道怎么打开cmd百度）输入：

1）activate mmd2

2）pip install torch==1.8.0 torchvision==0.9.0torchaudio==0.8.0 -i <u>https://pypi.tuna.tsinghua.edu.cn/simple</u>

3）pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cpu/torch1.8.0/index.html

4）pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

5）conda install git

y回车

6. cd xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

红色的部分为code文件夹的路径 例如 C:\Users\15690\Desktop\600 (2)\code

7. 如果6）中的路径不是c盘 则输入对应盘加英文反括号 例如 d:

8. python setup.py install

3.等待全部下载完毕，任何一个文件没安上，百度手动安装

举例Faster-RCNN 训练自己数据集教程

（****注意！查看此教程前请确保虚拟环境部署完毕，验证的方法为运行检测的代码或者UI的代码****）

1. 进入代码根目录（通常为code文件夹内）如下图：

10.png

2. 将标注好的数据集保存为以下格式

data —— coco —— annotations —— 训练和验证的 json标注文件

           —— train2017 ——训练集的图片（格式建议png/jpg）

           —— val2017 ——验证集的图片（格式建议png/jpg）

           —— test2017 ——测试集的图片（格式建议png/jpg）

具体如下图放置好

3. 打开Configs文件夹中的faster_rcnn文件夹中的faster_rcnn_r50_fpn_1x_coco.py
   11.png

4. 打开后如下图：

找到该文件：

12.png

修改num_classes为你的数据集的种类数量

13.png

5. 回到根目录如图：

   
   14.png

打开mmdet文件夹，打开datasets文件夹，打开coco.py

修改如下部分：（颜色的数量和种类的数量保持和种类数一致，颜色为（0_255,0255,0~255），可以任意设置彼此不相同即可）

15.png

6. 回到根目录如图：

16.png

打开mmdet文件夹，打开core文件夹，打开evaluation文件夹，打开class_names.py

修改如下部分：

17.png

种类名保持与第5步的一致，不要用中文

7. 回到根目录如图：

18.png

打开configs文件夹，打开base文件夹，打开datasets文件夹，打开coco_detection.py

修改data_root为第2步你的数据集的路径

例如下图：

19.png

8. 回到根目录如图：

20.png

打开configs文件夹，打开base文件夹，打开schedules文件夹，打开schedule_1x.py

修改下图max_epochs为你想训练的轮次

21.png

9. 回到根目录如图：

22.png

打开configs文件夹，右键点击train.py，选择打开方式选择pycharm,选择mmd2虚拟环境，修改下图的configs为****'../configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'

23.png

修改模型保存路径为你想要保存训练结果的路径,如下图：

24.png

9.鼠标右键run运行训练

其他经典算法[faster-rcnn]+[ssd]+[yolox]+[retinanet][ssdlite_mobilenetv2]+[yolof]+ N的环境部署＆训练自己数据集＆评估训练结果教程下面链接下载（持续免费更新中）

[faster-rcnn][ssd][yolox][mobilenetv2]等环境部署＆训练自己数据集＆评估训练结果教程 (mianbaoduo.com)