安装了mmdetection，想跑一下有几篇文章的工作。总觉得发展很快，一转眼几年时间，好多东西都变了。可再仔细看，感觉又没变啥，还是faster rcnn, ssd, yolo等，这几年变化的主要是细节上，除了detr是基于transformer的，其它的都是老思路，只是有些是改变了loss，有些 ...
转载
2021-08-13 20:49:00
105阅读
2评论
mmdetection的官方文档：https://mmdetection.readthedocs.io/en/latest/剩余的章节按照如下结构进行组织（主要就是三点内容）。首先，我们介绍了大量的已支持的方法并突出mmdetection的重要特征，然后，展示了基准测试结果。末尾，我们展示了一些可被选择的baseline的消融研究。这篇论文相当于一个技术报告题目：开放MMLab检测工具箱和基准背景介绍2d/3d目标检测的各个模块，误差函数，评价指标，以及线下数据集都是高度成熟和固定
原创
2021-11-08 16:44:29
1029阅读
一、准备数据集准备自己的数据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
│
【mmdetection小目标检测教程】四、修改配置文件，训练专属于你的目标检测模型1.数据准备2.修改类别（1）第一处修改（2）第二处修改3.修改config文件（1）总包（2）分包1（3）分包2（4）分包34.训练模型（1）单卡训练（2）多卡训练 在前面我们已经搭建了环境、完成了高分辨率图片切分成小图，本文将介绍如何使用mmdetection配置文件训练检测模型mmdetection小目标检
编者按：我的毕设题目是基于mmdetection的行人检测，由于我的电脑没有英伟达的GPU,因而无法安装CUDA，网上大多数文章涉及CUDA的安装，对于我来说都没法直接参考。这篇文章主要是我总结的关于安装CPU版本的mmdetection的方法（电脑上有英伟达GPU的话网上大多数文章可以直接参考） Windows安装mmdetection（CPU版本）1. 安装anaconda（网上参考文章非常多
如有错误，恳请指出。开门见山，基于mmdet的官方文档直接介绍如何进行我们的运行配置。个人觉得，继承于default_runtime.py这个文件之后，主要需要自己稍微更改下的配置主要有7个，分别是：优化器配置、学习率配置、工作流程配置、检查点配置、日志配置、评估配置、训练设置。具体的配置流程如下所示。如果需要其他钩子函数的实现与配置，具体可以查看参考资料1. 文章目录1. 优化器配置2. 学习率
mmdetection使用步骤1、准备1.1软件1.2Conda 虚拟环境中Python包版本2、环境配置2.1 需要的介绍2.2 环境安装2.2.0 版本选择2.2.1 VS2019安装2.2.2 conda虚拟环境2.2.3 pytorch 安装2.2.4 安装其他必要的Python包2.2.5 安装mmcv2.2.6 安装mmdetection2.2.7 安装 apex2.2.8 拉取代码
1. 第一次尝试官方要求：Linux (Windows is not officially supported)Python 3.5+ (Python 2 is not supported)PyTorch 1.1 or higherCUDA 9.0 or higherNCCL 2GCC(G++) 4.9 or highermmcv本机环境：pytorch 1.1cuda 9....
原创
2021-09-07 10:16:55
221阅读
四、技术细节 在这一节，我们将介绍训练检测器的主要工具：数据管道，模型和迭代管道。 （一）数据管道 根据标准协议，我们使用Dataset和DataLoader作为多工作数据加载。Dataset返回一个数据字典，数据字典的参数是模型前向算法中的参数。由于被检测的数据对象可能大小不一样（比如图像大小，bbox大小等），我们推荐一个MMCV中新的DataContainer类型，来收集和分发不同大小的数据
简介在之前的文章中，已经介绍了配置文件、数据、模型等方面的内容，在配置文件那篇文章中其实简单介绍了部分运行时相关的内容，本文将详细展开。需要说明的时，官方是将runtime与schedule区分开的，不过从配置继承的角度来看，它们可以放到一起，因此本文都将其视为运行时配置。运行时定制自定义优化器MMDetection支持所有的PyTorch定义的优化器（optimizer），如果想要使用某个优化器
本人是从Tensorflow过来的，刚开始接触到MMDetection框架是有点懵的，因为这个框架在Pytorch基础上封装了好几层，这么做的好处是模块之间的耦合度很低，改动起来非常方便，但坏处是对于我这样的新手（对Pytorch也不甚了解），乍一看很难理解整个框架的运行流程，甚至都不知道如何查看对应的源码，更别说是从头搭建自己的网络了。1. MMDetection是什么 MMDete
安装条件Linux(不正式支持Windows)Python3.5+PyTorch1.1或更高版本CUDA9.0或更高NCCL2GCC4.9或更高mmcv(https://github.com/open-mmlab/mmcv)我们已经测试了以下版本的操作系统和软件：OS:Ubuntu16.04/18.04andCentOS7.2CUDA:9.0/9.2/10.0/10.1NCCL:2.1.15/2.
原创
2021-01-05 18:45:31
725阅读
本页提供有关MMDetection用法的基本教程。有关安装说明,请参阅【目标检测】MMDetection专栏之MMDetection安装https://mp.weixin.qq.com/s/J8LGyYa9hQcLbjeh531vsw预训练模型的推论我们提供测试脚本来评估整个数据集(COCO,PASCALVOC等)以及一些高级api,以便更轻松地集成到其他项目。测试数据集[x]单个GPU测试[x]
原创
2021-01-05 18:58:07
4884阅读
目录1. config配置文件命名规则2. config 文件概述3.config 类3.1 读取配置文件3.2 修改配置参数3.3使用中间变量3.4 打印配置文件1. 官方文档--config文件教程2. 知乎--MMCV核心组件Config1. config配置文件命名规则./configs文件夹下，配置文件都按照统一的规则命名，具体段的含义可以去官方文档自行查阅。#命名规
训练函数调用训练脚本python tools/train.py configs/faster_rcnn_r50_fpn_1x.py训练可选项：–work_dir：模型checkpoint以及训练log文件的输出目录，若在脚本中不设置，则为config/*.py中work_dir中的路径。–resume_from：指定在某个checkpoint的基础上继续训练，若在脚本中不设置，则为config/*
写在前面的话MMDetection是一款优秀的基于PyTorch的深度学习目标检测工具箱，由香港中文大学(CUHK)多媒体实验室(mmlab)开发。基本上支持所有当前SOTA二阶段的目标检测算法，比如fasterrcnn，maskrcnn，r-fcn，Cascade-RCNN等。读者可在PyTorch环境下测试不同的预训练模型及训练新的检测分割模型。根据GitHub项目所述，MMDetection
原创
2021-01-05 17:02:05
331阅读
mmdetection的使用官方文
原创
2022-09-23 22:47:09
1209阅读
anchor参考与部分直接摘抄：https://zhuanlan.zhihu.com/p/138824387 有些地方纯粹自己打一遍加深记忆，如果要看原版请看上述链接~faster-rcnn初始化anchor： 设输入图像为a*b，图像到需要rpn处时缩放系数为16，即此时feature map尺寸为a/16 * b/16；stride为1，padding为2，使用3 * 3的窗口滑动遍历该fea
# mmdetection中的PyTorch：深度学习目标检测的利器
## 引言
如果你对计算机视觉感兴趣，尤其是目标检测，可能会听说过 **mmdetection**。这是一个基于PyTorch构建的开源目标检测工具箱，提供了多种流行的目标检测算法，包括Faster R-CNN、Mask R-CNN、YOLO等。本文旨在介绍如何使用mmdetection，提供代码示例并讲解其背后的设计原理。
前言如何在anconda创建mmdetection虚拟环境和用pycham为项目配置环境见（linux）mmdetection环境配置gpu+anaconda+pycham+ RTX2080ti 笔记
mmdetection链接 https://github.com/open-mmlab/mmdetection或mirrors / open-mmlab / mmdetection · GitCod
