前言

 两个月没碰mmdetection了，今天突然发现更新迭代了好几版了，于是重新安装体验了下，发现安装及使用越来越方便了。故打算重新更新几篇mmdet的博文。
 本文介绍最新的mmdet = 2.25.1版本的安装及demo及运行coco数据集训练。

1、本地环境

显卡 = 3090
CUDA=11.3
pytorch == 1.7.1
torchvision == 0.8.2

---

openmim == 0.2.0
mmcv-full == 1.6.1
mmdetection == 2.25.1

  大家可以首先配置好pytorch和torchvision的虚拟环境。mmcv现在依靠openmim安装及运行。 当然open-mmlab系列的所有库均可使用open-mim直接安装，但本文站在开发角度，所以mmdet使用开发者模式安装。

2、安装

2.1.步骤

step 1：创建虚拟环境
conda create --name openmmlab python=3.7 -y
conda activate openmmlab
step 2：安装所需的pytorch和torchvision

 在激活虚拟环境后，便可安装 mim 及 mmcv，其中mim会自动下载对应torch版本的mmcv，省事了不少。

pip install -U openmim
mim install mmcv-full

 非常简单。之后便可安装mmdet：

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -v -e .

 编译成功后打印下我的pip list:

2.2.运行demo

 新版的mmdet也用mim提供了一个简单易用的验证程序。废话不多说，上代码：

# step 1：首先cd进入mmdetection目录：
cd mmdetection
# step 2: 利用mim下载YOLOv3训练好的权重及config文件
# 执行完后会在mmdetection目录下出现一个 权重文件和配置文件
mim download mmdet --config yolov3_mobilenetv2_320_300e_coco --dest .
# step 3: 运行demo
python demo/image_demo.py demo/demo.jpg yolov3_mobilenetv2_320_300e_coco.py yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth --device cpu --out-file result.jpg

 运行完代码后，会在mmdetection目录下出现一张result.jpg的图像：

 如果出现上述图像，说明安装成功了。

3、FasterRcnn训练coco2017数据集

3.1.训练集准备

  首先下载个coco数据集，如果下载比较费劲，欢迎跳转我旧版mmdet安装教程，里面提供了一个voc版转coco数据集的教程，方便大家训练。以下是个文件树，按照以下格式准备自己数据集。

mmdetection
├── mmdet
├── tools
├── configs
├── data
│ ├── coco
│ │ ├── annotations
│ │ ├── train2017
│ │ ├── val2017
│ │ ├── test2017

3.2.训练及测试Faster RCNN

 训练命令：

python tools/train.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py

训练效果图：

 测试命令：官方github提供了多种测试命令，具体可见参考链接:

python tools/test.py \
    configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \
    checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
    --show-dir faster_rcnn_r50_fpn_1x_results

总结

 mmdetection的安装更加人性化了，但mmdetection的整体架构没有变，因此，该系列文章会更加详细介绍mmdetection的架构流程以及检测论文代码解读等，敬请期待。若有问题欢迎+vx：wulele2541612007，加群一起交流学习。

参考资料

1、mmdetection的install文档
2、mmdetection的测试文档