pytorch rtmdet训练自己的数据集

### 使用 PyTorch RTMDet 模型训练自定义数据集 #### 环境配置 为了确保能够顺利运行 RTMDet 模型，建议创建一个新的 Python 虚拟环境，并安装必要的依赖项。具体操作如下： 1. 创建并激活虚拟环境 `mmdetection`[^4]。 ```bash conda create -n mmdetection python=3.8 conda activate mmdetection ``` 2. 安装 GPU 版本的 PyTorch 和其他所需库: ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10/index.html ``` 3. 克隆 MMDetection 仓库并按照说明完成安装: ```bash git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection pip install -e . ``` #### 数据集准备 对于自定义数据集，推荐将其转换成 COCO 格式以便于处理。这通常涉及以下几个方面的工作： - 将图像文件整理到指定路径下； - 编写 JSON 文件描述标注信息（类别、边界框坐标等）； - 更新配置文件以匹配新数据集结构； 假设已经准备好了一个名为 `my_dataset` 的 COCO 格式的自定义数据集，则可以在配置文件中设置相应的参数。 #### 配置文件调整 基于官方提供的模板，编辑适合当前项目的配置文件。这里以较大尺寸的 RTMDet-l 模型为例[^1]: ```python _base_ = [ '../_base_/models/rtmdet_l.py', '../_base_/datasets/my_custom_coco_detection.py', # 自定义数据集配置 '../_base_/schedules/schedule_1x.py', # 学习率策略 '../_base_/default_runtime.py' # 运行时选项 ] data_root = 'path/to/my_dataset/' classes = ('class1', 'class2') # 用户自定义分类标签 model = dict( bbox_head=dict(num_classes=len(classes))) # 设置类别数量 ) train_pipeline = [...] # 可选：定义预处理流程 test_pipeline = [...] data = dict( samples_per_gpu=2, workers_per_gpu=2, train=dict( type='CocoDataset', ann_file=data_root + 'annotations/train.json', img_prefix=data_root + 'images/', pipeline=train_pipeline), val=dict(...), # 类似地为验证集设定属性 test=dict(...) ) ``` #### 开始训练过程 当一切就绪之后，可以执行下面这条命令启动训练任务[^2]: ```bash python tools/train.py configs/my_custom_rtmdet_l.py ``` 其中 `configs/my_custom_rtmdet_l.py` 是之前定制好的配置脚本名称。 #### 测试与评估 训练完成后，可以通过以下方式对模型性能进行初步检验[^3]: ```bash python tools/test.py \ configs/my_custom_rtmdet_l.py \ work_dirs/my_custom_rtmdet_l/latest.pth \ --eval bbox ``` 此命令会加载最新的 checkpoint 并计算测试集上的指标得分。