open-mmlab labelImg mmdetection

最新推荐文章于 2024-10-14 07:30:00 发布

曹家小圆宝

最新推荐文章于 2024-10-14 07:30:00 发布

阅读量800

点赞数 2

CC 4.0 BY-SA版权

分类专栏： python cuda pytorch 文章标签： python 开发语言后端

本文链接：https://blog.csdn.net/fighting_Kitty/article/details/121016110

本文介绍了数据标注工具labelImg的安装与使用，以及mmdetection框架的配置、运行和数据集微调过程。首先通过pip或源码安装labelImg，然后使用labelme进行标注并生成COCO格式数据。接着，详细阐述了mmdetection的环境配置、预训练模型下载、数据集转换、配置文件修改、训练和测试的步骤。最后提及了mmsegmentation的相关信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据标柱工具介绍

labelImg

git地址: https://github.com/tzutalin/labelImg

安装(两种方法都适用于linux和mac上的conda虚拟环境下安装)

根据git上介绍，有两种安装方法：

pip包安装

pip包安装（linux上最简单的安装方法），安装命令及使用命令如下：

# 环境准备
conda create -n labelImg_1 python=3.7
conda activate labelImg_1
# linux安装
pip3 install labelImg
# linux使用vnc打开可视化界面。命令行输入如下：
labelImg
#
labelImg [IMAGE_PATH] [PRE-DEFINED CLASS FILE]

使用pip list查看安装包

pip list
Package    Version
---------- ---------
certifi    2021.10.8
labelImg   1.8.6
lxml       4.6.3
pip        21.0.1
PyQt5      5.15.5
PyQt5-Qt5  5.15.2
PyQt5-sip  12.9.0
setuptools 58.0.4
wheel      0.37.0

软件截图如下
在这里插入图片描述

从源码安装

下载源代码，准备虚拟环境

# 环境准备
conda create -n labelImg_2 python==3.7
conda activate labelImg_2
pip install PyQt5
pip install lxml
pyrcc5 -o libs/resources.py resources.qrc
# 下载
git clone https://github.com/tzutalin/labelImg
cd labelImg
# 使用
python3 labelImg.py
#
python3 labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]

使用pip list查看安装包

pip list
Package    Version
---------- ---------
certifi    2021.10.8
lxml       4.6.3
pip        21.2.2
PyQt5      5.15.5
PyQt5-Qt5  5.15.2
PyQt5-sip  12.9.0
setuptools 58.0.4
wheel      0.37.0

软件截图如下
在这里插入图片描述

labelme

git地址: https://github.com/wkentaro/labelme

安装

安装命令如下：

conda create --name=labelme python=3.6
source activate labelme
pip install labelme

使用

直接在环境下键入

labelme

出现界面如下，此时可以打开图片路径进行标注：
在这里插入图片描述
点击Create Polygons进行标注，输入标签

在这里插入图片描述

在这里插入图片描述
点击左侧菜单栏保存，保存为json文件。

生成label数据

# 运用命令
labelme_json_to_dataset DJI_20210414132518_0423_Z.json

生成文件夹DJI_20210414132518_0423_Z_json，内容如下：
在这里插入图片描述

注：可以把多个labelme_json_to_dataset aa.json写入批处理文件中

mmdetection

git地址: https://github.com/open-mmlab/mmdetection

git clone https://github.com/open-mmlab/mmdetection

下载到服务器，更新到本地，用pycharm编辑器打开（参考https://blog.csdn.net/fighting_Kitty/article/details/121023315）

配置环境

找到readme中Installation，get_started.md中详细写了环境安装，主要命令如下：

# 创建虚拟环境
conda create -n openmmlab python=3.7 -y
conda activate openmmlab
# 安装PyTorch and torchvision
#（按照自己的cuda版本（nvcc -V）
# 去pytorch官网上选https://pytorch.org/get-started/previous-versions/）
# CUDA 11.0
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html
# Install MMDetection（自动或者手动，自动简单，手动适合调试研究代码）
pip install openmim
mim install mmdet

# 手动
pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio==0.7.0  -f https://download.pytorch.org/whl/torch_stable.html
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/1.7.1+cu110/index.htm

附：cuda查看nvcc -V

nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Thu_Jun_11_22:26:38_PDT_2020
Cuda compilation tools, release 11.0, V11.0.194
Build cuda_11.0_bu.TC445_37.28540450_0

运行

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
wget https://github.com/open-mmlab/mmdetection/tree/master/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py

代码

from mmdet.apis import init_detector, inference_detector

config_file = '../configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
# download the checkpoint from model zoo and put it in `checkpoints/`
# url: https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
checkpoint_file = '../checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = 'cuda:0'
# init a detector
model = init_detector(config_file, checkpoint_file, device=device)
# inference the demo image
inference_detector(model, '../demo/demo.jpg')

用自己的数据集微调

下载预训练模型

mmdetection里提供了丰富的预训练权重模型，本文使用faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth，下载后放到checkpoints路径下

voc数据修改为标准的coco格式

用labelImg标注检测图片，标注数据格式为PASCAL VOC的格式，一个图片对应一个XML注文件。COCO数据格式，所有的图像数据标注信息都保存在一个JSON文件中。转换代码如下：

import json
import os, sys
import xml.etree.ElementTree as ET
import pdb;pdb.set_trace()
mode = 'test' # 这里可以改成train、val
DATA_DIR = '/home/qian/caojie/software/mmdetection/data/hotel/' + mode + '/'
ANN_DIR = DATA_DIR + 'annotations/'

# ==================== 需要修改 train or val ========================
COCO_JSON_FILE = DATA_DIR + 'hotel_' + mode + '.json'  # json save path
VOC_XMLS_DIR = DATA_DIR + 'annotations/'
# ==================================================================

if not os.path.exists(ANN_DIR):
    os.makedirs(ANN_DIR)

# coco images 的列表
images = []

# coco annotations 的列表
annotations = []

# coco categories 的列表
# If necessary, pre-define category and its id
PRE_DEFINE_CATEGORIES = {
   "background": 0, "bed": 1, "chair": 2, "curtain": 3}
categories = [
    {
   
        'id': 0,
        &#