使用Detectron在自定义数据集上训练MaskRCNN

目录

• 拉取镜像 Detectron
• 创建工程（COCO格式）
• 运行容器 Detectron，挂载工程目录。
• 修复BBOX_XFORM_CLIP错误
• 工程设置
• 训练模型
• 测试模型

拉取镜像 Detectron

sudo docker pull gouchicao/detectron:latest

创建工程（COCO格式）

└── helmet　　　　　　　　　　工程目录
    ├── images　　　　　　　 样本图片目录
    ├── helmet_train.json　训练的样本标注信息
    ├── helmet_val.json　　验证的样本标注信息
    ├── test               测试图片目录
    ├── predict            预测图片目录
    ├── model　　　　　　　　模型目录
    └── e2e_mask_rcnn_R-101-FPN_2x.yaml  网络配置文件

运行容器 Detectron，挂载工程目录。

sudo docker run -it --runtime=nvidia --name detectron-helmet \
                -v /helmet-project-realpath:/detectron/project \
                gouchicao/detectron:latest

修复BBOX_XFORM_CLIP错误

nano /detectron/detectron/utils/env.py 

yaml_load = lambda x: yaml.load(x, Loader=yaml.Loader)

工程设置

1. 配置数据集

   nano /detectron/detectron/datasets/dataset_catalog.py
   

   _DATASETS = {
   'coco_helmet_train': {
   _IM_DIR: '/detectron/project/images',
   _ANN_FN: '/detectron/project/helmet_train.json' 
   },
   'coco_helmet_val': {
   _IM_DIR: '/detectron/project/images',
   _ANN_FN: '/detectron/project/helmet_val.json' 
   },
   ......
   }
   

2. 修改网络配置文件

   nano /detectron/project/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml
   

   MODEL:
     TYPE: generalized_rcnn
     CONV_BODY: FPN.add_fpn_ResNet101_conv5_body
     NUM_CLASSES: 2
     FASTER_RCNN: True
     MASK_ON: True
   NUM_GPUS: 1
   SOLVER:
     WEIGHT_DECAY: 0.0001
     LR_POLICY: steps_with_decay
     BASE_LR: 0.002
     GAMMA: 0.1
     MAX_ITER: 4000
     STEPS: [0, 3000, 4000]
   FPN:
     FPN_ON: True
     MULTILEVEL_ROIS: True
     MULTILEVEL_RPN: True
   FAST_RCNN:
     ROI_BOX_HEAD: fast_rcnn_heads.add_roi_2mlp_head
     ROI_XFORM_METHOD: RoIAlign
     ROI_XFORM_RESOLUTION: 7
     ROI_XFORM_SAMPLING_RATIO: 2
   MRCNN:
     ROI_MASK_HEAD: mask_rcnn_heads.mask_rcnn_fcn_head_v1up4convs
     RESOLUTION: 28  # (output mask resolution) default 14
     ROI_XFORM_METHOD: RoIAlign
     ROI_XFORM_RESOLUTION: 14  # default 7
     ROI_XFORM_SAMPLING_RATIO: 2  # default 0
     DILATION: 1  # default 2
     CONV_INIT: MSRAFill  # default GaussianFill
   TRAIN:
     WEIGHTS: https://dl.fbaipublicfiles.com/detectron/ImageNetPretrained/MSRA/R-101.pkl
     DATASETS: ('coco_helmet_train', 'coco_helmet_val')
     SCALES: (800,)
     MAX_SIZE: 1333
     BATCH_SIZE_PER_IM: 512
     RPN_PRE_NMS_TOP_N: 2000  # Per FPN level
   TEST:
     DATASETS: ('coco_2014_minival',)
     SCALE: 800
     MAX_SIZE: 1333
     NMS: 0.5
     RPN_PRE_NMS_TOP_N: 1000  # Per FPN level
     RPN_POST_NMS_TOP_N: 1000
   OUTPUT_DIR: .
   

训练模型

python /detectron/tools/train_net.py \
       --cfg /detectron/project/e2e_mask_rcnn_R-101-FPN_2x.yaml \
       OUTPUT_DIR /detectron/project/model

测试模型

python /detectron/tools/infer_simple.py \
       --cfg /detectron/project/e2e_mask_rcnn_R-101-FPN_2x.yaml \
       --output-dir /detectron/project/predict \
       --image-ext jpg \
       --wts /detectron/project/model/train/coco_helmet_train\:coco_helmet_train/generalized_rcnn/model_final.pkl \
       /detectron/project/test