MMDetection是一个基于PyTorch的开源目标检测工具箱,提供了多种目标检测算法的实现,包括Faster R-CNN。在本文中,我们将介绍如何在COCO数据集上使用MMDetection来训练和测试Faster R-CNN模型。 1. 环境配置 首先,你需要确保你的系统中安装了必要的依赖库。MMDetection需要Python 3.6或更高版本,以及PyTorch 1.0或更高版本。
在mmdetection/mmdet/core/evaluation/class_names.py修改coco_classes数据集类别,这个关系到后面test的时候结果图中显示的类别名称: def coco_classes(): return [ '瓶盖破损', '瓶盖变形', '瓶盖坏边', '瓶盖打旋', '瓶盖断点', '标贴歪斜', '标贴起皱', '标贴气泡', '喷码正常', '喷码异常' ] 3...
定义数据种类,修改mmdetection/mmdet/datasets/coco.py,把 CLASSES 的 tuple 改为自己数据集对应的种类。 CLASSES = ('dog', 'cat') 在mmdetection/mmdet/core/evaluation/class_names.py修改 coco_classes 数据集类别,这个关系到后面 test 的时候结果图中显示的类别名称。 def coco_classes(): return [ 'dog',...
一、按照官方文档配置并测试demo 可以按照官方网站或者mmdetection-master中readme进行配置 二、将COCO格式的数据集划分为训练、验证集并放入data文件夹下 目录形式如下 三、修改配置文件 以cascade_rcnn_r50_fpn_1x_coco为例 通过configs文件夹,cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py 其中models和datasets...
然后在mmdetection项目中的work_dirs文件夹下会生成一个同名的py文件 生成的同名coco.py文件 这里的coco.py就是一个网络结构的样子,我自己在configs中新建了一个文件夹my_configs,用来保存这样生成的网络,以及方便后续的修改。 在新生成的里面修改num_classes ...
:book: 首先需要准备好数据集,这里有labelme标签数据转coco数据集标签的说明:labelme转coco数据集 - 一届书生 - 博客园 (cnblogs.com) 1. 准备工作目录 我们的工作目录,也就是mmdetection目录,如下所示: |-- configs | |-- _b
MMdetection 问题报错 mmdet/evaluation/metrics/coco_metric.py data[‘category_id’] = self.cat_ids[label] IndexError: list index out of range 方案一:有人说 在自己定义的 conifg文件中增加 1 2 3 4 5 6 metainfo = { 'classes': ('class1','class2', 'class2',), 'palette': [ (220,...
mmdetection[v1.1.0]训练自己的VOC数据集 之前写过一个版本,现在不怎么适用了。所以重新写下。 步骤一:首先根据规范的VOC数据集导入到项目目录下,如下图所示: mmdetection ├── mmdet ├── tools ├── configs ├── data │ ├── VOCdevkit │ │ ├── VOC2007 │ │ &nbs... ...
3、voc转coco脚本 3.1 文件夹准备 由于mmdetection中大多数模型实质上仅支持coco数据集,即coco数据集应用更加广泛。因此,这里我们首先制作一个coco数据集。这里采用的是将voc2007转成coco。同时数量也比较小。这里贴出转换脚本: 说下数据集摆放格式,即需要在VOC2007文件夹同级下新建三个空文件夹(train2017,val...
OpenMMLab Detection Toolbox and Benchmark. Contribute to open-mmlab/mmdetection development by creating an account on GitHub.