检测（１）从０到１
检测（１）跑通mmdetection
二、安装教程
本人的系统环境：
-
Ubuntu 16.04
-
Cuda 9.0 + Cudnn 7.0.5 (cuda8.0也可，亲测)
-
Python 3.6 （mmdetection要求Python版本需要3.4+）
-
Anaconda 3 （可选）
这里推荐大家使用Anaconda，可以比较方便的创建Python虚拟环境，避免不同的Python库之间产生冲突。在安装mmdetection之前，需要安装以下几个依赖库：
-
PyTorch 1.0 (
-
Cython
-
mmcv
下面是我的安装和测试步骤，以Anaconda 3为例。
1. 使用conda创建Python虚拟环境（可选）
conda create -n mmdetection python=3.6
source activate mmdetection
这样就创建了名为mmdetection的Python3.6环境，并且在terminal中激活。
2. 安装Pytorch 1.0
conda install pytorch=1.0 -c pytorch
这样的速度会比较慢，我之后会贴一个百度云，里面贴了这些所需要的库，包括torch1.0-cp36等
安装好以后，进入Python环境，输入以下代码测试是否安装成功，不报错则说明安装成功
3. 安装Cython
conda install cython
4. 安装mmcv
git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
pip install .
注意：这里会下载opencv,如果下载太慢，可以自己去下载，链接会运行时会显示
注意pip install 后面有个点，别漏了
5. 安装mmdetection
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
./compile.sh
python setup.py install
注意：这里编译必须要求gcc是５.４版本,如果不是，会出现错误：segmentation fault
到此，我们就完成了mmdetection及其依赖库的安装
6. 测试Demo
将下方的代码写入py文件，并存放到mmdetection文件夹目录下，然后运行。该代码的功能是检测图片中的目标，测试模型是官方给出的Faster-RCNN-fpn-resnet50的模型，运行代码会自动下载模型。由于模型是存储在亚马逊云服务器上，速度可能会稍慢，如果下载失败可以通过我的网盘链接mmdetection（密码：dpyl）进行下载，存放到mmdetection文件夹目录下，然后修改下方代码的相关部分
import mmcv
from mmcv.runner import load_checkpoint
from mmdet.models import build_detector
from mmdet.apis import inference_detector, show_result
cfg = mmcv.Config.fromfile('configs/faster_rcnn_r50_fpn_1x.py')
cfg.model.pretrained = None
# 构建网络，载入模型
model = build_detector(cfg.model, test_cfg=cfg.test_cfg)
_ = load_checkpoint(model, 'https://s3.ap-northeast-2.amazonaws.com/open-mmlab/mmdetection/models/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth')
# 如果通过网盘下载，取消下一行代码的注释，并且注释掉上一行
# _ = load_checkpoint(model, 'faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth')
# 测试一张图片
img = mmcv.imread('test.jpg')
result = inference_detector(model, img, cfg)
show_result(img, result)
# 测试多张图片
imgs = ['test1.jpg', 'test2.jpg']
for i, result in enumerate(inference_detector(model, imgs, cfg, device='cuda:0')):
print(i, imgs[i])
show_result(imgs[i], result)
7. 准备自己的数据
mmdetection支持coco格式和voc格式的数据集，下面将分别介绍这两种数据集的使用方式
-
coco数据集
官方推荐coco数据集按照以下的目录形式存储，以coco2017数据集为例
mmdetection
├── mmdet
├── tools
├── configs
├── data
│ ├── coco
│ │ ├── annotations
│ │ ├── train2017
│ │ ├── val2017
│ │ ├── test2017
推荐以软连接的方式创建data文件夹，下面是创建软连接的步骤
cd mmdetection
mkdir data
ln -s $COCO_ROOT data
其中，$COCO_ROOT需改为你的coco数据集根目录
-
voc数据集
与coco数据集类似，将voc数据集按照以下的目录形式存储，以VOC2007为例
mmdetection
├── mmdet
├── tools
├── configs
├── data
│ ├── VOCdevkit
│ │ ├── VOC2007
│ │ │ ├── Annotations
│ │ │ ├── JPEGImages
│ │ │ ├── ImageSets
│ │ │ │ ├── Main
│ │ │ │ │ ├── test.txt
│ │ │ │ │ ├── trainval.txt
同样推荐以软连接的方式创建
cd mmdetection
mkdir data
ln -s $VOC2007_ROOT data/VOCdevkit
-
1
-
2
-
3
其中，$VOC2007_ROOT需改为你的VOC2007数据集根目录
然后，下载
pascal_voc_mod.py
和
voc_classes.txt
（上方的模型下载地址中有）存放到mmdetection根目录下，运行以下代码
mmdetection官方代码已更新，不再需要自己生成
如果需要标注自己的数据，推荐使用LabelImg工具标注
然后在运行
pascal_voc_mod.py
之前，修改
voc_classes.txt
里的类别名为你自己设定的类别名，再运行py文件
然后需要修改mmdet/datasets/voc.py文件中的CLASSES为你自己的类别
8. 训练
官方推荐使用分布式的训练方式，这样速度更快，如果是coco训练集，修改CONFIG_FILE中的pretrained参数，改为你的模型路径，然后运行下方代码
./tools/dist_train.sh <CONFIG_FILE> <GPU_NUM> [optional arguments]
-
1
如果是voc训练集，还需要修改config文件中的相关参数，可以参考
faster_rcnn_r50_mod.py
（上方网盘地址中有），然后再运行上面的代码
mmdetection官方代码已更新，目前已支持voc格式的数据集，不再需要自己修改
如果不想采用分布式的训练方式，或者你只有一块显卡，则运行下方的代码
python tools/train.py <CONFIG_FILE> --gpus <GPU_NUM> --work_dir <WORK_DIR>
-
1
至此，如果一切顺利的话，你的模型应该就开始训练了
以上是转载的以为大神的博客，但是我中间遇到了很多问题
注意：
１ 当一切都成功之后，我以为自己可以成功跑通，但是发生了这样的错误，
segmentation fault
出这个错的原因是我的gcc版本（４.８）偏低，导致编译错误，才会导致出现指针错误
但是gcc高级版本死活安装不上去，apt-get update也更新了，但是总是卡在gbd 那里有问题
问题显示：Ignoring Provides line with DepCompareOp for package gdb-minimal
原因是因为我用了ubuntu14,没有听楼主的话，然后改成ubuntu16,这样gcc版本直接就是5.4,
２ 如果想正确安装gcc5.0以上，需要ubuntu16版本
３ 其中，python3.6在安装numpy scipy等包时，要注意：
如果想省事，pip3 install numpy
4 会出现编译不通：错误是：command '/usr/local/cuda/bin/nvcc' failed with exit status 1
这个时候的解决方案是：
添加环境变量
vim ~/.bashrc
export PATH=/usr/local/cuda/bin:$PATH
５ cudnn 怎么安装？
先下载cudnn 网上下载，然后解压tar -xzvf .....tar.gz
注意，放到哪个cuda,要根据自己的cuda版本
cd cuda/include
sudo cp cudnn.h /usr/local/cuda/include #复制头文件
再将进入lib64目录下的动态文件进行复制和链接：
cd ..
cd lib64
sudo cp lib* /usr/local/cuda/lib64/ #复制动态链接库
cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.so libcudnn.so.5 #删除原有动态文件
sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5 #生成软衔接
sudo ln -s libcudnn.so.5 libcudnn.so #生成软链接
安装完成后可用 nvcc -V 命令验证是否安装成功，若出现以下信息则表示安装成功：
6
E138: Can't write viminfo file /public/home/dgxu/.viminfo!
Press ENTER or type command to continue
１ 切换到root用户（一定要）
２ rm -f .viminf*.tmp
7 fatal error:cublas_v2.h: No such file or directory
cublas_v2.h是cuda里面非常重要的一个加速矩阵运算的库，所以必须安装
如何安装：这个库在/usr/local/cuda/include里面，如果没有，则有问题，需要查看
anaconda是不会安装cuda的，需要自己安装
ll命令查看是否链接，且链接的是什么
gcc版本,系统gcc版本不好更换，所以尽量使用ubuntu16
8 ImportError: libSM.so.6: cannot open shared object file: No such file or directory
再装opencv时会遇到这个问题，以下代码可以解决
apt-get update
apt-get upgrade
apt-get install -y python-qt4
９expected str, bytes or os.PathLike object, not numpy.ndarray
有问题，一直没有解决
10 cannot connect to X server
由于是没有安装图形界面，所以会出现这个问题
修改方案为：
import cv2
img=imread()
counttt=0
for i in bboxes:
cv2.rectangle(img,(bboxes[counttt][1],bboxes[counttt][2]),(bboxes[counttt][3],bboxes[counttt][4]),(255, 0, 0), 2)
counttt=counttt+1
cv2.imwrite('/workspace/a.png',img)
11 继续说明错误，这个错误是 batch_size=0,其实是因为你的gpu不能设置为０，如果把gpu设置为０，他会
认为这里是null,所以，只有一个gpu,要把gpu的设置为１
