mmWave_Demo_Visualizer 使用方法

mmdetection教程(使用篇)。

• mmlab着重于应用层面。
• 不需要对源码进行进行太多操作。

• 上海交通大学和西安交通大学等大学都在用mmlab。
• 2021年CVPR有35篇论文。

• 核心是config文件。
• 复杂度和参数数量低于两倍FasterRcnn。

 

• 最终提交json结果文件。

• 10个人7个卡在安装上。
• check environment（一定要根据CUDA的版本装pytorch）

 

注意：首先不要pip install pytorch，一定要根据CUDA的版本，到上面的pytorch官网上去安装对应版本。

第二步：根据你的pytorch去装你的mmcv

比较建议的是第一种，和pytorch是一样的，不要pip install mmcv，这样后面可能还会有版本不兼容的问题，

把对应的版本放上去。

第二种方法是，把github上的源码拉下来，好像也会有错。官网是说会根据本地的环境自己适应，好像也不会适应。

根据经验来说，第一种比较好。

 第三步：把mmdetection的源码拉下来，然后编译就可以了。

第四步：测试安装是否成功.

拉一下pretrain的模型，然后采用下面的脚本进行测试。

遇到的问题，

到Issue里面去找。

---

•  通过configure来调节整个模型参数。
• 参数太多，所在在confiure文件进行集中设定。
• config里面的代码，看上去非常少，是因为它所以了一个配置文件。
•  只对配置文件中的下面的一些字段进行修改了。
• 如果去点这个配置文件，你发现它又去索引了另外一个配置文件。另外一个配置文件可能有索引了另外一个配置文件。这样的索引，往往要索引7-8次。
• 对新手来说经常找不到字段，所以讲的第一件事情就是把所有的config都打印出来。
• detection给了一个tool工具，有一个print_config.py。

依赖 — MMDetection 2.25.0 文档（有中文）

python print_config.py "/data/wanghd/whd/mmdetection-master/mmdetection-master/configs/detr/detr_r50_8x2_150e_coco.py" > config.txt     #将config文件中的内容全部打印出来，并保存到config.txt文件夹中

whd/mmdetection-master/mmdetection-master/configs/detr/detr_r50_8x2_150e_coco.py" > config.py             #将config文件中的内容全部打印出来，并保存到config.py文件夹中

也可以生成.py文件。

 Config的组成。

1.train

单gpu训练

模型部分：model TODO

 如果想训练模型，

如果训练模型，甚至不需要后面的结果保存目录。这个config就是包含了所有，这个是机器重要的中的重点。

• 每个config文件里面包含不同的结构（比如backbone不一样，训练策略不一样，）

他的命名是有严格的规范的， 前面的faster-rcnn就是方法，第二个是backbone（r101）,50就是resnet50，fpn(特征金字塔做进一步处理的)，mstrain就是多尺度的训练，3x就是long sgaduce(更长时间的训练)，coco就是在coco数据集上进行训练的。

confg文件主要分成三大部分，一个是datasets、models和schedules。

那么第一个部分就是model。model是最重要的，也是最难的。

还要说一个事情，就是config文件的组成，是字典，它一定是一个一个的字典。

 这个才是config文件的组成。

 上面写这么多，主要是把数据传到