Linux下使用mmdetection的docker容器训练自己的数据

乐哈哈yoyo

1-mmdetection介绍

mmdetection是商汤科技（2018 COCO 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mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN，Cascade-RCNN等主流的目标检测框架。相比于Facebook开源的Detectron框架，作者声称mmdetection有三点优势：performance稍高、训练速度稍快、所需显存稍小。




2-为什么使用docker

使用docker的优点是直接使用别人配置好的镜像来生成容器，无需配置环境，也不会有cuda版本冲突等问题。docker的安装直接使用yum install docker或者apt-get install docker来安装，为了能在容器内使用GPU，还需安装nvidia-docker，nvidia-docker的安装需要选择docker的对应版本，具体安装方法可百度。


3-标注自己的数据

安装labelme，使用pip

1. pip install labelme

复制代码

在命令行输入labelme，启动labelme进行数据标注，如果是目标检测就用矩形框标注，是分割算法就用多边形做精细标注。标注后会得到json格式的标注文件，一张图片对应一个文件，但是这个格式的文件不是我们需要的，所以进行下一步。


4-把labelme标注的数据格式转化为coco的数据格式

coco的数据格式是指以下的数据格式，annotation中的json文件是所有图片的标注信息的集合，train和val中存放训练用和测试用的图片。格式转换代码可百度下载。

1. annotations
   
2. instances_train.json
   
3. instances_val.json
   
4. train
   
5. train_1.jpg
   
6. …
   
7. val
   
8. val_1.jpg
   
9. …

复制代码

5-使用docker容器下载mmdetection并训练

输入以下命令查找镜像：

1. docker search mmdetection

复制代码

下载这个镜像

1. docker pull cheney0813/mmdetection
   

复制代码

启动镜像

1. nvidia-docker run -it -v /home:/mnt --shm-size 4G cheney0813/mmdetection /bin/bash

复制代码

-v是挂载本地硬盘空间，–shm-size是分配共享内存
进入mmdetection根目录

1. cd /home/mmdetection/mmdetection

复制代码

激活虚拟环境

1. conda activate mmdetection

复制代码

创建数据链接

1. ln -s 你的数据路径（annotations的上一级目录） data
   

复制代码

修改配置文件

1. vim configs/mask_rcnn_r101_fpn_1x.py

复制代码

修改类别数：

修改标注文件路径和原始图片路径为自己的数据路径：

启动训练

1. ./tools/dist_train.sh configs/mask_rcnn_r101_fpn_1x.py 4

复制代码

大功告成！