目标检测算法——mmdetection下面的deformable-detr运行

1、环境

2、文档

mmet官方文档
mmcv官方文档
源码下载

3、数据集

自定义数据集

4、修改代码

4.1、生成文件

打开mmdetection-master/tools下面执行train.py文件

其中配置文件--config在 mmdetection-master/configs/deformable_detr/deformable_detr_r50_16x2_50e_coco.py

python train.py {path}/mmdetection-master/configs/deformable_detr/deformable_detr_r50_16x2_50e_coco.py

会报错，不用管（在work_dirs/deformable_detr_r50_16x2_50e_coco生成需要的配置文件）

4.2、修改配置文件

my_deformable_detr_r50_16x2_50e_coco.py文件修改

1. 将该文件复制到mmdetection-master/configs/deformable_detr/并改名为my_deformable_detr_r50_16x2_50e_coco.py
2. 找到对应行数，修改为自己的路径
   
3. 修改类别数目
   
4. 加载预训练权重（可自己评估，我训练数据较少，加上官方预训练权重）
   
5. 上一步下载路径

修改mmdet源码

1. 修改{path}/mmdet/core/evaluation/class_names.py下面的coco_classes()

   

2. 修改{path}/mmdet/datasets/coco.py下面的CLASSES和PALETTE

   有的源码里面没有PALETTE可不添加

   

5、训练模型

再次进入mmdetection-master/tools下面，执行下面代码

其中的my_deformable_detr_r50_16x2_50e_coco.py是上面刚刚修改的文件名称

python train.py {path}/mmdetection-master/configs/deformable_detr/my_deformable_detr_r50_16x2_50e_coco.py

训练结束之后会生成相应的权重文件

6、测试模型数据

1. 打开{path}/mmdetection-master/demo/文件夹执行image_demo.py

   python image_demo.py 1.jpg {path}/mmdetection-master/configs/deformable_detr/my_deformable_detr_r50_16x2_50e_coco.py {path}/mmdetection-master/tools/work_dirs/deformable_detr_r50_16x2_50e_coco/latest.pth
   

2. 由于我在ubuntu虚拟机上面进行的代码测试，无法使用 show_result_pyplot()函数，稍作修改存储到对应的目录中
   （ 其中的第一个参数 img 修改成一个目录，可以直接进行对一个目录里面的文件读取并且处理后保存）

   from argparse import ArgumentParser
   from mmdet.apis import (inference_detector, init_detector)
   import cv2
   import os
   
   def parse_args():
       parser = ArgumentParser()
       parser.add_argument('--img', default='img2', help='Image file')
       parser.add_argument('--config', default='../configs/deformable_detr/my_deformable_detr_r50_16x2_50e_coco.py',help='Config file')
       parser.add_argument('--checkpoint',default='../tools/work_dirs/deformable_detr_r50_16x2_50e_coco/latest.pth', help='Checkpoint file')
       parser.add_argument('--device', default='cpu', help='Device used for inference')
       parser.add_argument(
           '--palette',
           default='coco',
           choices=['coco', 'voc', 'citys', 'random'],
           help='Color palette used for visualization')
       parser.add_argument(
           '--score-thr', type=float, default=0.3, help='bbox score threshold')
       parser.add_argument(
           '--async-test',
           action='store_true',
           help='whether to set async options for async inference.')
       args = parser.parse_args()
       return args
   
   
   def getfiles(file):
       path_list = []
       filenames = os.listdir(file)
       print(filenames)
       for filename in filenames:
           a = os.path.join(file, filename)
           # print(a)
           path_list.append(a)
       # print(path_list)
       return path_list,filenames
   
   
   def main(args):
       model = init_detector(args.config, args.checkpoint, device=args.device)
       # test a single image
       path_list,filenames = getfiles(args.img)
       for path,filename in zip(path_list,filenames):
           result = inference_detector(model, path)
           img = show_result_pyplot2(model, path, result, score_thr=0.8)
           cv2.imwrite(args.img+"/out/out_"+filename, img)
   
   
   def show_result_pyplot2(model, img, result, score_thr=0.3, fig_size=(15, 10)):
       if hasattr(model, 'module'):
           model = model.module
       img = model.show_result(img, result, score_thr=score_thr, show=False)
       return img
   
   
   if __name__ == '__main__':
       args = parse_args()
       main(args)
   

7、结果

预测结果还是比较准确的