1、下载数据集

从网上下载数据集后
打开colab笔记本，依次运行如下代码

from google.colab import drive
drive.mount('/content/drive')

%cd /content/drive/MyDrive
# 下载MMDetection，下载后注释掉
# !git clone https://github.com/open-mmlab/mmdetection.git

#卸载原有的pytorch
!pip uninstall torch torchvision -y
 
#线上安装新的pytorch
!pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html

# install mmcv-full thus we could use CUDA operators
!pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.9.0/index.html
#安装mmcv和额外的环境配置
!pip install ipykernel
!pip install mmpycocotools

#安装mmdetection
# %cd /
# !cp -a /content/gdrive/MyDrive/mmdetection /
%cd  /content/drive/MyDrive/mmdetection
!pip install -r requirements/build.txt
!pip install -v -e .  # or "python setup.py develop"

• 开始解压数据集

# 解压数据集到本地路径
!rm -rf /orange_resized
!unzip /content/drive/MyDrive/datasets.zip -d /

2、自制数据集

3、训练模型

在MMDetection里面有对比两个json文件的代码在Docs-Log Analysis

• 参数数据
  
• 对比代码示例，对比是两个json文件，绘制曲线，对比的参数是–key后面的，生成pdf图

!python tools/analysis_tools/analyze_logs.py plot_curve ```
work_dirs/compared_json/Swin.json work_dirs/compared_json/Cascade_RCNN.json 
--key bbox_mAP --legend Swin_Transformer Cascade_RCNN Mask_RCNN Faster_RCNN 
--title mAP --out mAP.pdf

4、构建自己的模型

• 只需要第一行写一个继承，后面的代码修改其中修改的部分就可以了
  

5、加入预训练权重

• 为了减少训练次数，同时又能达到训练结果，在训练前可以加入训练权重
• 权重模型在MMDetection官网

• 输入代码

#下载权重文件
!wget -P checkpoints https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r101_fpn_2x_coco/faster_rcnn_r101_fpn_2x_coco_bbox_mAP-0.398_20200504_210455-1d2dac9c.pth

• 权重放在checkpoint文件夹里面
  
• 加载权重文件去其他文件中
  
• 在你训练的该模型中加入权重
  
• 接着再训练该模型就会变得很厉害