MMrotate训练自己的数据集

最新推荐文章于 2025-06-26 09:14:04 发布

原创

最新推荐文章于 2025-06-26 09:14:04 发布 · 861 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

本文介绍了如何在PyTorch中进行模型训练，包括设置检查点策略、修改预测结果颜色、评估指标（如mAP和loss）、模型测试、参数计算、GFLOPs评估以及推理速度测量等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、每个训练批次都保存一次模型（便于选择最佳模型）

在configs/_base_/default_runtime.py中，将default_hooks中的checkpoint设置如下：

checkpoint=dict(type='CheckpointHook', interval=1),

若源码设置了max_keep_ckpts参数（最多保存模型的数量），则将其删除。

二、在image_demo.py中检测测试集图像时，修改预测的旋转框颜色

在mmrotate/visualization/local_visulaizer.py中的RotLocalVisualizer类（继承自MMDet中DetLocalVisualizer类）的中修改颜色。

三、训练结束后，对模型进行测试评估

3.1 绘制loss、mAP曲线（命令行中，loss和mAP互相替换即可）

python tools/analysis_tools/analyze_logs.py plot_curve work_dirs/rotated_rtmdet_tiny-3x-dota/20240216_215435/vis_data/20240216_215435.json --keys mAP --title mAP --out mAP.jpg

3.2 模型测试

python tools/test.py --config configs/rotated_rtmdet/rotated_rtmdet_tiny-3x-dota.py --checkpoint work_dirs/rotated_rtmdet_tiny-3x-dota/epoch_21_best.pth --out work_dirs/rotated_rtmdet_tiny-3x-dota/output.pkl

3.3 测试图像推理（修改过的