Swin-Ttransformer Object Detection 环境配置及训练环境配置demoCOCO训练

93 阅读 0 评论 62 点赞

我是靠谱客的博主能干小馒头，最近开发中收集的这篇文章主要介绍Swin-Ttransformer Object Detection 环境配置及训练环境配置demoCOCO训练，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

在这里插入图片描述

Swin-Ttransformer Object Detection 环境配置及训练

环境配置
demo
COCO训练

源码地址：https://github.com/SwinTransformer/Swin-Transformer-Object-Detection
参考目录：
https://www.bilibili.com/video/BV1eu41197qK/?spm_id_from=333.788
https://www.bilibili.com/video/BV1Y3411676J?spm_id_from=333.337.search-card.all.click

简单记录下，安装、跑通、GPU训练swin-t源码的步骤。

环境配置

首先从官网获得源码：https://github.com/SwinTransformer/Swin-Transformer-Object-Detection

git clone https://github.com/SwinTransformer/Swin-Transformer-Object-Detection.git

新建conda环境、安装pytorch 我用的是python==3.6.13和pytorch==1.7.1和 torchvision==0.8.2
安装pytorch的教程很多，这里就不赘述了，GPU版本注意和cuda驱动的匹配。验证方法我这边放一下：
$ python 进入python命令行
import torch 没有出现错误就ok了
如果是GPU版本还需要输入torch.cuda.is_available()出现True，就是成功了。（available()后面有括号）
根据官网安装timm

 pip install timm==0.4.12

安装mmcv-full 直接用pip install mmcv-full==1.4.0失败了，用mim安装成功了（mim安装成功率还是蛮高的）。看到别的博主说1.4.5的版本容易踩坑。

pip install openmim
mim install mmcv-full==1.4.0      #（这部分会下载opencv-python，就不需要单独装了）

接下来根据官网安装

pip install -r requirements.txt
python setup.py develop

apex暂时不装也可以，如果仅使用cpu，完全可以不装apex。但我就直接安装了：

git clone https://github.com/NVIDIA/apex        #（git clone的时候可能会失败，多试几次就好了。）
cd apex
pip install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./        #（这句失败） 
pip install -v --no-cache-dir ./     #（我是用这句成功的，在GPU上这句的成功率高）

至此安装就结束了。

demo

尝试运行demo.py：
命令：

python demo/image_demo.py demo/demo.jpg configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py ./mask_rcnn_swin_tiny_patch4_window7_1x.pth

解释一下，其中：
configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py 是配置文件
./mask_rcnn_swin_tiny_patch4_window7_1x.pth 是预训练模型参数，我放在当前目录下，放在哪里路径就写哪里。
预训练模型从官网下载，我下的是
在这里插入图片描述

运行结果：可以看到检测的精度很高，边缘把握的很准。
在这里插入图片描述

COCO训练

下载COCO数据集：官网地址
但是官网特别难下，网页总也打不开
以下地址直接复制到网页就能下载：
http://images.cocodataset.org/zips/train2017.zip
http://images.cocodataset.org/annotations/annotations_trainval2017.zip
http://images.cocodataset.org/zips/val2017.zip
http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip
http://images.cocodataset.org/zips/test2017.zip
http://images.cocodataset.org/annotations/image_info_test2017.zip
一般只要下载前三个就行了，包括训练和验证的图像和标签。

接下来要对代码做一些小修改，主要是①数据集的路径，②如果GPU带不动可以修改scaling大小。以上两点就可以了，其他的调试可以在后续再做。

打开配置文件swin-T-DE/configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py
（我修改了Swin-Transformer-Object-Detection为swin-T-DE）

可以看到调用的是coco_instance.py文件，这个是目标分割的，没有关系，我们就先用这个。或者有强迫症的同学也可以修改为coco_detection.py。

调用的哪个文件，就打开哪个（coco_instance.py or coco_detection.py），可以看到第二行，数据集路径data_root，改为自己存放数据集的路径
在这里插入图片描述

下面是寻找训练和验证集的路径，参考自己的路径。我的全部放在COCO文件夹下，annotations_trainval2017.zip解压后文件名为annotations。
在这里插入图片描述

OK到这里已经可以训练了，如果怕GPU带不动，那么看第二点

①和1中一样，调用哪个文件就在哪个文件中修改（coco_instance.py或coco_detection.py），将缩放尺度改为（256，256）。一共有两处，应该是第八行和第十九行。
②在1中用到过的配置文件mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py中修改三处尺度放缩。已经在图中圈出来了。