环境搭建
首先拷贝之前搭建好的fasterrcnn环境，具体见https://blog.csdn.net/yuanjiaqi_k/article/details/125599570
下载mmcv
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html
其中{cu_version}/{torch_version}填写自己的版本，我的是
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html
然后在官网https://github.com/open-mmlab/mmdetection.git下载代码zip文件
python setup.py develop
验证是否安装成功
安装 pip install -U openmim
下载 mim download mmdet --config yolov3_mobilenetv2_320_300e_coco --dest .
运行成功且result.jpg有对应框
python demo/image_demo.py demo/demo.jpg yolov3_mobilenetv2_320_300e_coco.py yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth --device cpu --out-file result.jpg
OK！安装成功！
运行faster-rcnn
首先准备voc数据集
修改代码：
- mmdet/dataset/voc.py
类别修改为自己的
CLASSES = ('break', 'gap', 'ok_gap', 'short', 'ok_spot',
'long_unaligned', 'offcut', 'spot', 'strip', 'unaligned',
'wrinkle', 'ok_unaligned')
- mmdet/core/evaluation/class_name.py
voc_classes()改成你自己数据集的类别
def voc_classes():
return [
'break', 'gap', 'ok_gap', 'short', 'ok_spot',
'long_unaligned', 'offcut', 'spot', 'strip', 'unaligned',
'wrinkle', 'ok_unaligned'
]
- 准备voc数据，在目录中建立data文件夹，放入数据
这个博客有非常完整的步骤https://blog.csdn.net/qq_30121457/article/details/112591430?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_utm_term-0&spm=1001.2101.3001.4242
训练获得结果
!!训练时保存评估 最好模型的方法：
在数据 configs/datasets/coco_detection.py中加入参数 save_best='bbox_mAP'：
evaluation = dict(interval=1, metric='bbox',save_best='bbox_mAP')
这样训练的时候会保存额外保存最好模型
测试
python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py work_dirs/faster_rcnn_r50_fpn_1x_coco/epoch_93.pth --eval mAP
模型转化
cd mmdetection
pip install -e .
mkdir checkpoints
cd checkpoints
wget https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
mv faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth faster_rcnn_r50_fpn_1x_coco.pth
cd ../../mmdeploy
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pycuda
我把自己训练好的last.pth 文件拷贝到checkpoints中
python tools/deploy.py configs/mmdet/detection/detection_tensorrt_dynamic-320x320-1344x1344.py ../mmdetection-master/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py ../mmdetection-master/checkpoints/latest.pth ../mmdetection-master/demo/1.jpg --work-dir ../mmdeploy_out/mmdet/faster_rcnn_r50_trt/ --device cuda:0 --dump-info
成功将模型转化为onnx和engine文件
模型推理
只进行c++接口的模型推理
用 Inference SDK
部署
部署的相关环境搭建根据如下链接
https://github.com/open-mmlab/mmdeploy/blob/master/docs/zh_cn/01-how-to-build/windows.md
其中前面环境已经安装完成，从pplcv开始安装
git clone https://github.com/openppl-public/ppl.cv.git
cd ppl.cv
git checkout tags/v0.7.0 -b v0.7.0
$env:PPLCV_DIR = "$pwd"
mkdir pplcv-build
cd pplcv-build
cmake .. -G "Visual Studio 15 2017" -T v141 -A x64 -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=install -DPPLCV_USE_CUDA=ON -DPPLCV_USE_MSVC_STATIC_RUNTIME=OFF
cmake --build . --config Release -- /m
cmake --install . --config Release
cd ../..
因为我之前有下载过vs2017，注意！vs2017不能用！还是要vs2019所以报错时 rror MSB8020: 无法找到 v142 的生成工具(平台工具集 =“v142”)
将v142改为vs2017对应的v141，然后删除build文件夹所有内容，重新执行
好像没有报错8？
MMdeploy pytorch模型转换onnx，tensorrt
下载MMdeploy代码
编译mmdeploy，新建build文件夹，cd进去
`c
vs2017 失败！
cmake .. -G “Visual Studio 15 2017″ -A x64 -T v141 -DMMDEPLOY_BUILD_SDK=ON -DMMDEPLOY_TARGET_DEVICES=”cuda” -DMMDEPLOY_TARGET_BACKENDS=”tr
t” -DMMDEPLOY_CODEBASES=”all” -Dpplcv_DIR=”E:\PycharmProjects\mmdetection-master\ppl.cv\pplcv-build\install\lib\cmake\ppl” -DTENSORRT_DIR=”E:\PycharmProjects\mmdetection-master\ppl.cv\pplcv-build\install\lib\cmake\ppl” –
DCUDNN_DIR=”C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3″
Original: https://blog.csdn.net/yuanjiaqi_k/article/details/126101929
Author: yuanjiaqi_k
Title: win10系统mmdetection训练部署fasterrcnn的全过程
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/680343/
转载文章受原作者版权保护。转载请注明原作者出处！