檢測（１）跑通mmdetection
二、安裝教程
本人的系統環境：
-
Ubuntu 16.04
-
Cuda 9.0 + Cudnn 7.0.5 (cuda8.0也可，親測)
-
Python 3.6 （mmdetection要求Python版本需要3.4+）
-
Anaconda 3 （可選）
這里推薦大家使用Anaconda，可以比較方便的創建Python虛擬環境，避免不同的Python庫之間產生沖突。在安裝mmdetection之前，需要安裝以下幾個依賴庫：
-
PyTorch 1.0 (
-
Cython
-
mmcv
下面是我的安裝和測試步驟，以Anaconda 3為例。
1. 使用conda創建Python虛擬環境（可選）
conda create -n mmdetection python=3.6
source activate mmdetection
這樣就創建了名為mmdetection的Python3.6環境，並且在terminal中激活。
2. 安裝Pytorch 1.0
conda install pytorch=1.0 -c pytorch
這樣的速度會比較慢，我之后會貼一個百度雲，里面貼了這些所需要的庫，包括torch1.0-cp36等
安裝好以后，進入Python環境，輸入以下代碼測試是否安裝成功，不報錯則說明安裝成功
3. 安裝Cython
conda install cython
4. 安裝mmcv
git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
pip install .
注意：這里會下載opencv,如果下載太慢，可以自己去下載，鏈接會運行時會顯示
注意pip install 后面有個點，別漏了
5. 安裝mmdetection
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
./compile.sh
python setup.py install
注意：這里編譯必須要求gcc是５.４版本,如果不是，會出現錯誤：segmentation fault
到此，我們就完成了mmdetection及其依賴庫的安裝
6. 測試Demo
將下方的代碼寫入py文件，並存放到mmdetection文件夾目錄下，然后運行。該代碼的功能是檢測圖片中的目標，測試模型是官方給出的Faster-RCNN-fpn-resnet50的模型，運行代碼會自動下載模型。由於模型是存儲在亞馬遜雲服務器上，速度可能會稍慢，如果下載失敗可以通過我的網盤鏈接mmdetection（密碼：dpyl）進行下載，存放到mmdetection文件夾目錄下，然后修改下方代碼的相關部分
import mmcv
from mmcv.runner import load_checkpoint
from mmdet.models import build_detector
from mmdet.apis import inference_detector, show_result
cfg = mmcv.Config.fromfile('configs/faster_rcnn_r50_fpn_1x.py')
cfg.model.pretrained = None
# 構建網絡，載入模型
model = build_detector(cfg.model, test_cfg=cfg.test_cfg)
_ = load_checkpoint(model, 'https://s3.ap-northeast-2.amazonaws.com/open-mmlab/mmdetection/models/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth')
# 如果通過網盤下載，取消下一行代碼的注釋，並且注釋掉上一行
# _ = load_checkpoint(model, 'faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth')
# 測試一張圖片
img = mmcv.imread('test.jpg')
result = inference_detector(model, img, cfg)
show_result(img, result)
# 測試多張圖片
imgs = ['test1.jpg', 'test2.jpg']
for i, result in enumerate(inference_detector(model, imgs, cfg, device='cuda:0')):
print(i, imgs[i])
show_result(imgs[i], result)
7. 准備自己的數據
mmdetection支持coco格式和voc格式的數據集，下面將分別介紹這兩種數據集的使用方式
-
coco數據集
官方推薦coco數據集按照以下的目錄形式存儲，以coco2017數據集為例
mmdetection
├── mmdet
├── tools
├── configs
├── data
│ ├── coco
│ │ ├── annotations
│ │ ├── train2017
│ │ ├── val2017
│ │ ├── test2017
推薦以軟連接的方式創建data文件夾，下面是創建軟連接的步驟
cd mmdetection
mkdir data
ln -s $COCO_ROOT data
其中，$COCO_ROOT需改為你的coco數據集根目錄
-
voc數據集
與coco數據集類似，將voc數據集按照以下的目錄形式存儲，以VOC2007為例
mmdetection
├── mmdet
├── tools
├── configs
├── data
│ ├── VOCdevkit
│ │ ├── VOC2007
│ │ │ ├── Annotations
│ │ │ ├── JPEGImages
│ │ │ ├── ImageSets
│ │ │ │ ├── Main
│ │ │ │ │ ├── test.txt
│ │ │ │ │ ├── trainval.txt
同樣推薦以軟連接的方式創建
cd mmdetection
mkdir data
ln -s $VOC2007_ROOT data/VOCdevkit
-
1
-
2
-
3
其中，$VOC2007_ROOT需改為你的VOC2007數據集根目錄
然后，下載 pascal_voc_mod.py 和 voc_classes.txt （上方的模型下載地址中有）存放到mmdetection根目錄下，運行以下代碼
mmdetection官方代碼已更新，不再需要自己生成
如果需要標注自己的數據，推薦使用LabelImg工具標注
然后在運行 pascal_voc_mod.py 之前，修改 voc_classes.txt 里的類別名為你自己設定的類別名，再運行py文件
然后需要修改mmdet/datasets/voc.py文件中的CLASSES為你自己的類別
8. 訓練
官方推薦使用分布式的訓練方式，這樣速度更快，如果是coco訓練集，修改CONFIG_FILE中的pretrained參數，改為你的模型路徑，然后運行下方代碼
./tools/dist_train.sh <CONFIG_FILE> <GPU_NUM> [optional arguments]
-
1
如果是voc訓練集，還需要修改config文件中的相關參數，可以參考 faster_rcnn_r50_mod.py （上方網盤地址中有），然后再運行上面的代碼
mmdetection官方代碼已更新，目前已支持voc格式的數據集，不再需要自己修改
如果不想采用分布式的訓練方式，或者你只有一塊顯卡，則運行下方的代碼
python tools/train.py <CONFIG_FILE> --gpus <GPU_NUM> --work_dir <WORK_DIR>
-
1
至此，如果一切順利的話，你的模型應該就開始訓練了
以上是轉載的以為大神的博客，但是我中間遇到了很多問題
注意：
１ 當一切都成功之后，我以為自己可以成功跑通，但是發生了這樣的錯誤，
segmentation fault
出這個錯的原因是我的gcc版本（４.８）偏低，導致編譯錯誤，才會導致出現指針錯誤
但是gcc高級版本死活安裝不上去，apt-get update也更新了，但是總是卡在gbd 那里有問題
問題顯示：Ignoring Provides line with DepCompareOp for package gdb-minimal
原因是因為我用了ubuntu14,沒有聽樓主的話，然后改成ubuntu16,這樣gcc版本直接就是5.4,
２ 如果想正確安裝gcc5.0以上，需要ubuntu16版本
３ 其中，python3.6在安裝numpy scipy等包時，要注意：
如果想省事，pip3 install numpy
4 會出現編譯不通：錯誤是：command '/usr/local/cuda/bin/nvcc' failed with exit status 1
這個時候的解決方案是：
添加環境變量
vim ~/.bashrc
export PATH=/usr/local/cuda/bin:$PATH
５ cudnn 怎么安裝？
先下載cudnn 網上下載，然后解壓tar -xzvf .....tar.gz
注意，放到哪個cuda,要根據自己的cuda版本
cd cuda/include
sudo cp cudnn.h /usr/local/cuda/include #復制頭文件
再將進入lib64目錄下的動態文件進行復制和鏈接：
cd ..
cd lib64
sudo cp lib* /usr/local/cuda/lib64/ #復制動態鏈接庫
cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.so libcudnn.so.5 #刪除原有動態文件
sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5 #生成軟銜接
sudo ln -s libcudnn.so.5 libcudnn.so #生成軟鏈接
安裝完成后可用 nvcc -V 命令驗證是否安裝成功，若出現以下信息則表示安裝成功：
6
E138: Can't write viminfo file /public/home/dgxu/.viminfo!
Press ENTER or type command to continue
１ 切換到root用戶（一定要）
２ rm -f .viminf*.tmp
7 fatal error:cublas_v2.h: No such file or directory
cublas_v2.h是cuda里面非常重要的一個加速矩陣運算的庫，所以必須安裝
如何安裝：這個庫在/usr/local/cuda/include里面，如果沒有，則有問題，需要查看
anaconda是不會安裝cuda的，需要自己安裝
ll命令查看是否鏈接，且鏈接的是什么
gcc版本,系統gcc版本不好更換，所以盡量使用ubuntu16
8 ImportError: libSM.so.6: cannot open shared object file: No such file or directory
再裝opencv時會遇到這個問題，以下代碼可以解決
apt-get update
apt-get upgrade
apt-get install -y python-qt4
９expected str, bytes or os.PathLike object, not numpy.ndarray
有問題，一直沒有解決
10 cannot connect to X server
由於是沒有安裝圖形界面，所以會出現這個問題
修改方案為：
import cv2
img=imread()
counttt=0
for i in bboxes:
cv2.rectangle(img,(bboxes[counttt][1],bboxes[counttt][2]),(bboxes[counttt][3],bboxes[counttt][4]),(255, 0, 0), 2)
counttt=counttt+1
cv2.imwrite('/workspace/a.png',img)
11 繼續說明錯誤，這個錯誤是 batch_size=0,其實是因為你的gpu不能設置為０，如果把gpu設置為０，他會
認為這里是null,所以，只有一個gpu,要把gpu的設置為１