Swin Transformer Object Detection 目标检测-2——训练自己的数据集

文章目录

• • • 一、修改工程
    • 二、开始训练

视频教程完整版： 我在B站录的教学视频
 

一、修改工程

1. 设置类别：修改 configs/base/models/mask_rcnn_swin_fpn.py 中 num_classes 为自己数据集的类别（有两处需要修改）

2. 配置权重信息：修改 configs/base/default_runtime.py 中的 interval，loadfrom

• interval：dict(interval=1) # 表示多少个 epoch 验证一次，然后保存一次权重信息
• loadfrom：表示加载哪一个训练好的权重，可以直接写绝对路径如： load_from = r"E:\workspace\Python\Pytorch\Swin-Transformer-Object-Detection\mask_rcnn_swin_tiny_patch4_window7.pth"

3. 修改训练尺寸大小：如果显存够的话可以不改（基本都运行不起来），文件位置为：configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_3x_coco.py

• 修改所有的 img_scale 为 ：img_scale = [(224, 224)] 或者 img_scale = [(256, 256)] 或者 480，512等。
  

• 同时 configs/base/datasets/coco_instance.py 中的 img_scale 也要改成 img_scale = [(224, 224)] 或者其他值

4. 配置数据集路径：configs/base/datasets/coco_instance.py 文件的最上面指定了数据集的路径，因此在项目下新建 data/coco目录，下面四个子目录 annotations和test2017，train2017，val2017。
   

5. 修改该文件下的 train val test 的路径为自己新建的路径：

train=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_train2017.json',
        img_prefix=data_root + 'train2017/',
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_val2017.json',
        img_prefix=data_root + 'val2017/',
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_test2017.json',
        img_prefix=data_root + 'test2017/',
        pipeline=test_pipeline))

6. 修改 batch size 和 线程数：根据自己的显存和CPU来设置

samples_per_gpu=2,  # batch size
workers_per_gpu=2,  # 每个GPU对应线程数 可以大一些

7. 修改分类数组：mmdet/datasets/coco.py

   • CLASSES中填写自己的分类：CLASSES = ('person', 'bicycle', 'car')

二、开始训练

执行：python tools/train.py configs\swin\mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_3x_coco.py

下一篇：Swin Transformer Object Detection 目标检测-3——测试训练效果，训练cascade_mask_rcnn_swin

 

关于作者：

• 个人网站：https://beyonderwei.com
• 邮箱：[email protected]