mmdetection 用yolox训练自己的coco数据集

yolox作为当下地表最强的目标检测算法，用yolox来做工程必定能事半功倍。然而，mmdetection训练yolox的配置文件写法与faster-rcnn有些不太一样，如果直接套用faster-rcnn的配置文件会存在多个异常。且在网上很难找到mmdetection用yolox训练coco数据集的案例，为此博主经过多次实践通过实践，最终实现了yolox的训练，并找出了yolox与faster-rcnn的配置文件编写的不同。

博主发现yolox与faster-rcnn的配置文件存在以下不同：1.在修改模型输出的class上有所不同、2。在设置数据集的方式上有所不同、3.在lr_config设置方式的上有所不同、4.设置输入数据size方式的不同。为此撰写博客分享经验，完整的yolox训练配置代码在博客的最后面。

1、num_classes设置的区别

faster-rcnn：

model = dict(
    roi_head=dict(bbox_head=dict(num_classes=len(classes))))

yolox：

model = dict(
    #roi_head=dict(bbox_head=dict(num_classes=len(classes))))
    bbox_head=dict(type='YOLOXHead', num_classes=len(classes)))

用faster-rcnn的方式设置yolox的输出头会报以下错误

2、在设置数据集的方式上有所不同

虽然yolox与faster-rcnn都设置用coco数据集进行训练，但是yolox的config中会将训练数据的datatype调整为MultiImageMixDataset，具体可以下图所示

在相同的配置中，如下图所示。faster-rcnn已经可以正常训练模型了，而yolox则会保存，提示FileNotFoundError: CocoDataset: [Errno 2] No such file or directory: 'data/coco/annotations/instances_train2017.json'。

这是因为yolox的train daset中多了一个dataset对象，因此需要对dataset进行设置，且要将train dataset的type调整为MultiImageMixDataset。所以，在yolox中数据的设置要按照以下格式调整。

data = dict(
    samples_per_gpu=1,  # batch size
    workers_per_gpu=1,  # num_workers
    train=dict(
        type='MultiImageMixDataset',
        dataset=dict(
            type='CocoDataset',
            ann_file='data/voc07_train.json',
            img_prefix=data_root,
            classes=classes,
            filter_empty_gt=False),
        ),
    val=dict(
        img_prefix=data_root,
        classes=classes,
        ann_file='data/voc07_val.json'),
    test=dict(
        img_prefix=data_root,
        classes=classes,
        ann_file='data/voc07_test.json'))

3、lr_config设置的区别

博主一开始也是以为yolox的学习率调度方式应该是可以与faster-rcnn通用的，结果出乎意料。faster-rcnn与yolox支持的学习率调度方式不太一样。

faster-rcnn默认的调度器：

lr_config = dict(
    policy='step',
    warmup='linear',
    warmup_iters=500,
    warmup_ratio=0.001,
    step=[7])

yolox默认的学习率调度器：

lr_config = dict(
    _delete_=True,
    policy='YOLOX',
    warmup='exp',
    by_epoch=False,
    warmup_by_epoch=True,
    warmup_ratio=1,
    warmup_iters=5,  # 5 epoch
    num_last_epochs=10,
    min_lr_ratio=0.05)

如果yolox使用faster-rcnn的学习率调度器，则因为config的继承关系会报以下错误。因为yolox默认的学习率调度器（policy=‘YOLOX’）中存在num_last_epochs参数，而faster-rcnn默认的调度器（policy=‘step’）中不存在该参数。

4、设置数据输入size的区别

faster-rcnn的模型配置文件中不存在图像size的设置参数，是通过设置configs\_base_\datasets\coco_detection.py中的size来控制输入图像的size，具体可见图5

然而，在yolox中，模型的配置文件对pipeline进行的调整，设置输入数据的size需要到configs\yolox\yolox_s_8x8_300e_coco.py中设置

5、完整的yolox训练配置文件

完整的训练配置文件如下所示，博主的数据集这里只有shoot一个类别，博主的图片路径在‘D:/AI比赛/基于可见光图像的柑橘花果梢识别’下，而coco数据在mmdetection的data下。因为博主的coco数据是由voc数据转换而来的，数据集转换方式可以参考下列链接的第一章，配置文件编写得按本博客的来。mmdetection2的使用教程从数据处理、配置文件到训练与测试（支持coco数据和pascal_voc数据）_万里鹏程转瞬至的博客-CSDN博客_mmdetection2本文主要讲述mmdetection的训练与测试，以数据处理为起点，到数据集划分、数据集转换、配置文件编写、模型训练与测试和使用。由于mmdetection2默认的数据格式是coco格式，而labelimg生成的标注文件却是xml（最贴近voc数据），为此以coco数据集为基准。我们可以使用mmdetection中的数据转换方法将pascal_voc数据集转换为coco数据集，从而实现对coco数据和pascal_voc数据的支持。pascal_voc数据集转换为coco数据集前需要注意，一定要先划分数据集（https://hpg123.blog.csdn.net/article/details/124617894

# 这个新的配置文件继承自一个原始配置文件，只需要突出必要的修改部分即可
_base_ = './configs/yolox/yolox_s_8x8_300e_coco.py'
 
#1、 修改数据集相关设置----------
#数据集类型
dataset_type = 'COCODataset'
#label值
classes = ('shoot',)

#2、 设置训练超参数---------- 
#修改模型分类数
model = dict(
    #roi_head=dict(bbox_head=dict(num_classes=len(classes))))
    bbox_head=dict(type='YOLOXHead', num_classes=len(classes)))
#要加载的预训练权重
#load_from="./work_dirs/faster_rcnn_r50_fpn_1x_coco/epoch_12.pth"
#训练的epcoh数
runner = dict(type='EpochBasedRunner', max_epochs=3)
 
               
#3、 训练集与测试集的的预处理------------
#多次测试发现在这里定义的pipeline是无效操作，且发现如果在后续的data中设置pipeline会导致报错
#因此要修改_base_\datasets\下的数据集文件
 
#4、 设置数据集的路径---------------
data_root="D:/AI比赛/基于可见光图像的柑橘花果梢识别"
data = dict(
    samples_per_gpu=1,  # batch size
    workers_per_gpu=1,  # num_workers
    train=dict(
        type='MultiImageMixDataset',
        dataset=dict(
            type='CocoDataset',
            ann_file='data/voc07_train.json',
            img_prefix=data_root,
            classes=classes,
            filter_empty_gt=False),
        ),
    val=dict(
        img_prefix=data_root,
        classes=classes,
        ann_file='data/voc07_val.json'),
    test=dict(
        img_prefix=data_root,
        classes=classes,
        ann_file='data/voc07_test.json'))
      
#5、 训练策略设置
optimizer = dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
# 学习策略

    
lr_config = dict(
    _delete_=True,
    policy='YOLOX',
    warmup='exp',
    by_epoch=False,
    warmup_by_epoch=True,
    warmup_ratio=1,
    warmup_iters=5,  # 5 epoch
    num_last_epochs=50,
    min_lr_ratio=0.05)

训练方法：进入mmdetection的代码路径，将上述的配置文件保存为yolox_s.py，并执行训练代码即可。

训练代码： python ./tools/train.py .\yolox_s.py

yolox模型的预训练模型下载链接为：mmdetection: 同步更新官方最新版 mmdetectionhttps://github.com/open-mmlab/mmdetection - Gitee.comhttps://gitee.com/monkeycc/mmdetection/tree/master/configs/yolox

1、num_classes设置的区别

2、在设置数据集的方式上有所不同

3、lr_config设置的区别

4、设置数据输入size的区别

5、完整的yolox训练配置文件

猜你喜欢

目录

热门文章