這裡不再介紹 mmdetection 的安裝和配置，使用 mmdetection 較簡單的方法是使用已安裝 mmdetection 的 docker 容器。這樣直接省去了安裝 mmdetection 的過程，讓重心放在模型訓練上！
如果你對 docker 和 mmdetection 還不是很熟悉，請自行搜尋一下，本文就不再贅述了。
這裡附上 mmdetection 的 GitHub 地址：
https://github.com/open-mmlab/mmdetection
0. 前期準備
首先預設你的電腦已經做好了下面這些前期準備工作：
- Ubuntu 16.04 或以上
-
GPU 安裝
-
cuda 安裝
-
cudnn 安裝
-
docker 安裝
-
nvidia-docker
當然，如果你連線的是公司或學校的伺服器，且伺服器已經做了上面幾點準備，那你只需要一個 Xshell 遠端登入伺服器就行了。
1. 下載含 mmdetection 的 docker 映象
首先，我們需要找到一個已經配置好 mmdetection 環境的 docker 映象。可以在 dockerhub 上用 “mmdetection” 作為關鍵詞進行搜尋，也可以在 terminal 裡直接使用命令 docker search 進行搜尋：
$ docker search mmdetection
結果顯示如下圖所示：
這裡，我們選擇排第一的 vistart/mmdetection 映象，下載 docker 映象的方法也很簡單，使用 docker pull 從映象倉庫中拉取指定映象：
$ docker pull vistart/mmdetection
如果網路沒問題，下載會在幾分鐘之內完成。下載完成之後，我們就可以檢視 vistart/mmdetection 映象是否已經放在本地映象裡了：
$ docker images
可以看到 vistart/mmdetection 映象已經成功下載了。
2. 新建含 mmdetection 的容器
包含 mmdetection 的映象已經下載好了，下一步就是新建一個 docker 容器以供使用了：
$ docker run --runtime=nvidia --name mm_prj -i -t vistart/mmdetection /bin/bash
對上面的命令解釋一下：–runtime=nvidia 很關鍵，能使新建的 docker 容器能使用宿主機器的 GPU，不加這個引數則預設使用 CPU；–name mm_prj 是對新建的 docker 容器進行命名，該名稱為 mm_prj，讀者可自行修改。
新建容器之後的介面如下：
至此，名為 mm_prj 容器已經開啟了。可以看到，該目錄中已經包含了 mmdetection 目錄，表示該 docker 映象已經安裝好了 mmdetection。
補充：
另外，補充一些退出容器、進入容器的操作。
退出容器：
# exit
檢視現有容器：
$ docker ps -a
可以看到，名為 mm_prj 的 docker 容器已經在容器列表了。
開啟容器：
$ docker start mm_prj
$ docker exec -i -t mm_prj /bin/bash
3. 匯入自己的 VOC 資料
這一步，我們需要把自己的資料打包成 Pascal VOC 格式。其目錄結構如下：
VOCdevkit
--VOC2007
----Annotations
----ImageSets
------Main
----JEPGImages
簡單介紹一下，其中 Annotations 存放的是 .xml 檔案，JEPFImages 存放的是 .jpg 圖片。
按照此格式放置好自己的訓練資料之後，需要切分訓練資料和測試資料。在 VOCdevkit 目錄下新建一個 test.py 檔案。test.py 內容為：
import os
import random
trainval_percent = 0.8
train_percent = 0.8
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
上面的程式碼劃分資料集，trainval 佔 80%，作為訓練集；test 佔 20%，作為測試集。
執行 test.py，將會在 VOCdevkit/ImageSets/Main 目錄下生成下面三個檔案：
開啟檔案可以看到，trainval.txt 包含訓練時所有的樣本索引，test.txt 包含測試時所有的樣本索引。
自己的 VOC 資料製作完畢之後，從宿主機（Ubuntu）複製到 /mmdetection/data/ 目錄下：
$ docker cp VOCdevkit mm_prj:/mmdetection/data/
4. 修改 class_names.py 檔案
開啟 /mmdetection/mmdet/core/evaluation/class_names.py 檔案，修改 voc_classes 為將要訓練的資料集的類別名稱。如果不改的話，最後測試的結果的名稱還會是’aeroplane’, ‘bicycle’, ‘bird’, ‘boat’,…這些。改完後如圖：
5. 修改 voc.py 檔案
開啟 mmdetection/mmdet/datasets/voc.py 檔案，修改 VOCDataset 的 CLASSES 為將要訓練的資料集的類別名稱。
如果只有一個類，要加上一個逗號，否則將會報錯。
6. 修改配置檔案
mmdetection 中提供了很多目標檢測模型可供使用。例如，進入 /mmdetection/config/ 目錄，就會看到很多模型：
根據我們選擇使用的模型，修改相應的配置檔案。本文我們使用的是FasterRCNN 模型，修改的是 faster_rcnn_r50_fpn_1x.py 檔案。
6.1 修改 num_classes 變數
開啟 faster_rcnn_r50_fpn_1x.py，將 num_classes 變數改為：類別數 + 1（例如我有 20 類，因此改為 21）：
6.2 修改 data_settings
因為 faster_rcnn_r50_fpn_1x.py 預設使用的是 coco 資料集格式，我們要對其修改成相應的 VOC 資料格式。修改後的內容如下圖所示：
6.3 調整學習率
本文使用單 gpu 訓練，修改 img_per_gpu = 2，workers_per_gpu = 0。
對學習率的調整，一般遵循下面的習慣：
- 8 gpus、imgs_per_gpu = 2：lr = 0.02；
-
2 gpus、imgs_per_gpu = 2 或 4 gpus、imgs_per_gpu = 1：lr = 0.005；
-
4 gpus、imgs_per_gpu = 2：lr = 0.01
這裡，我們只使用單 gpu，且 img_per_gpu = 2，則設定 lr = 0.00125。
這裡說一下 epoch 的選擇，預設 total_epoch = 12，learning_policy 中，step = [8,11]。total_peoch 可以自行修改，若 total_epoch = 50，則 learning_policy 中，step 也相應修改，例如 step = [38,48]。
至此，配置檔案已修改完畢。
7. 模型訓練
模型訓練非常簡單，只需一行命令：
python3 ./tools/train.py ./configs/faster_rcnn_r50_fpn_1x.py
注意執行上面的命令是在 /mmdetection 目錄下。
如果有多個 gpu，例如 0, 1 號 gpu 都可用，則可以全部用起來訓練，命令如下：
CUDA_VISIBLE_DEVICES=0,1 python3 ./tools/train.py ./configs/faster_rcnn_r50_fpn_1x.py --gpus 2
上面的 –gpus 2 表示使用的 gpu 個數為 2。如果使用多塊 gpu，注意修改學習率 lr。
然後，訓練就開始了：
從列印出的資訊中，可以看到當前的 epoch 和 loss 值。
每個 epoch 會生成一個模型，並自動儲存在 /mmdetection/work_dirs/faster_rcnn_r50_fpn_1x/ 目錄下。
訓練完成之後，latest.pth 即 epoch_12.pth 就是最終的模型。
8. 模型測試，計算 mAP
下面我們將使用訓練好的模型對測試集進行驗證，並計算 mAP。
8.1 生成 pkl 檔案
首先，生成 pkl 檔案：
python3 ./tools/test.py ./configs/faster_rcnn_r50_fpn_1x.py ./work_dirs/faster_rcnn_r50_fpn_1x/latest.pth --out=result.pkl
8.2 計算測試集
mAP 對測試集計算 mAP，只需一行命令：
python3 ./tools/voc_eval.py result.pkl ./configs/faster_rcnn_r50_fpn_1x.py
計算結果如下：
圖中可以看到，最後計算的 mAP = 0.978。（本文中的目標檢測場景比較簡單，目標清晰明確，故 mAP 很高）
9. 總結
好了，以上就是教你如何一步一步在 docker 容器中使用 mmdetection 來訓練自己的資料集並測試。建議大家使用自己的資料集嘗試跑一下，看下效果~
