怎么看mmdetection版本_mmdetection检测代码库安装记录

mmdetection codebase使用说明。一段时间没有接触程序容易忘记相关配置和代码结构，以防再次捡起来看浪费时间，记录相关说明备忘。

这个检测库在逐渐完善，代码也越来越精简高效，导致很多地方改动很大，针对不同版本均写了注释代码和使用说明。

codebase源码：https://github.com/open-mmlab/mmdetection

¶1. 程序安装

参考官方指南：入口

¶1.1 注意事项：作者版本迭代很快，pytorch直接上最高版本就行

注意以develop开发者模式安装，避免去site-packages里面改程序

如果安装了多个版本的mmdetection，为了避免环境和应用的冲突，要导入环境：1export PYTHONPATH=`pwd`:$PYTHONPATH

¶1.2 步骤：配置单独的anaconda环境1

2conda create -n mmdetection python=3.7 -y

source activate open-mmlab安装相关依赖1

2pip install mmcv

conda install cython

pytorch1.0以上版本安装此处不展开，单独安装即可。如果有其他报错，根据提示安装相应的依赖即可。代码安装和编译1

2

3

4git clone https://github.com/open-mmlab/mmdetection.git

cd mmdetection

./compile.sh

python setup.py develop

个人用的Pytorch 1.0，为了不产生代码和环境的兼容问题，直接使用我自己注释的代码注释版本：mmdetection-annotated。注意使用开发者模式安装，方便改代码。

¶2. 检测

¶2.1 检测demo

建议新建一个weights文件夹存储下载的权重，方便自己寻找。只需在demo.py中配置使用的网络属性选择对应的py文件，以及修改权值路径即可。然后添加待检测的图片或者文件夹等。

官方demo只支持检测单张图片，更多扩展和显示功能参加自己写的demo，以及hook文件(读取网络参数)。

¶2.2 test

mmdet提供了一个test工具，可以直接在验证集上跑效果，得到AR,P等参数。参见官方指南。关于路径配置同下面的训练。

¶3. 训练

¶3.1 COCO数据集

¶3.1.1 数据集准备

不限类别随便什么格式都行，最后统一转成voc的xml格式，然后用工具转成coco的json文件，进行统一调整和训练。转换的代码工具见我的toolbox代码库 .

¶3.1.2 训练注意学习率设置。默认学习率是8GPU的，我单卡就调整为原来设置的1/8.

每次训练输入一长串的东西很麻烦，我改了代码将argparse对应项设置为非必要参数，通过在train.py内配置config文件等，节省输入的功夫(参考我的mmdetection的train.py文件)；同时为了将路径的tools也省去输入的麻烦，建议也将对应的config文件中训练和验证的数据集路径修改为相对目录，向上索引一个目录。参见我的设置。

断点训练很好用。

mmdetection 0.6.0 v1(torch 1.1.0+)

¶1.安装

¶1.1 依赖项注意

CUDA 9.0+

¶1.2 命令

这次精简了编译过程，将编译和安装写到一个setup文件中，更加方便，值得学习。由于之前有一个版本的mmdetection和torch，安装过程遇到了坑，注意：单独新建一个conda环境，装torch1.1.0+，用于运行新的mmdetection库，就不用担心兼容问题

开发者模式安装1python setup.py develop

¶2.其他变动

参见README.md的介绍，注释重新更新到master branch上 .