前言
用于记录mmdetection训练、测试自己的数据集（采用mask-rcnn）。关于mmdetection的源码知识日后慢慢补充。
一、使用mmdetection训练测试Mask-Rcnn
mmdetection是商汤科技（2018COCO目标检测挑战赛冠军）和香港中文大学开源的一个基于Pytorch实现的深度学习目标检测工具箱，支持多种目标检测框架，如Faster RCNN, Mask RCNN, RetinaNet,。源码：mmdetection源码
The master branch works with PyTorch 1.3 to 1.6. The old v1.x branch works with PyTorch 1.1 to 1.4
1.数据集转化
mmdetection自带的绝大多数配置文件都默认用的COCO数据集格式，使用的时候把自己的数据及标签转化为coco数据格式。如果是txt型的标注先转成json再转成coco（具体见mask-rcnn牙齿分割文档）
2.准备配置文件
mmdetection/configs/下包含了多个网络模型的配置文件，拷贝需要用到的模型文件如maskr_rcnn_r50_fpn_1x.py到一个新建的wyk_configs文件夹，修改model字典中的num_classes，num_classes=3,#类别数+1修改data字典中的img_scale：img_scale=(540,960), #输入图像尺寸（train、val、test这三处都要修改）。复制一份mmdetection/mmdet/datasets/coco.py到wyk_configs并修改CLASSES内类别。
详细修改可以参考添加链接描述
3.训练
python tools/train.py configs/faster_rcnn_r50_fpn_1x.py --gpus 1 --validate --work_dir work_dirs
可选参数：
–validate：每k个epoch进行评估，默认k为1
–work-dir:保存训练结果的路径
–resume-from:如果中断时可以用此参数继续训练，如–resume-from work_dirs/lastest.pt
4.测试
python tools/test.py ./configs/faster_rcnn_r50_fpn_1x.py ./work_dirs/cascade_rcnn_r50_c4_1x/latest.pth --eval mAP
./configs/faster_rcnn_r50_fpn_1x.py是配置文件，./work_dirs/cascade_rcnn_r50_c4_1x/latest.pth是测试的模型文件，–eval mAP是评估方式
二、mmdetection补充知识
mmdetection的模型主要由以下4个部分构成：
①backbone:通常是一个全卷积网络如ResNet用于提取feature map
②neck:连接backbone和head的部分，如FPN
③head:用于特定任务如bbox预测，maskyuce等的模块
④ROI extractor:从feature map提取特征，如ROI Align、RoIPooling等