最近在跑对比试验，由于MMDetection框架的算法较齐全，遂决定写一篇教程留做参考。若你对流程有问题与疑问欢迎评论区指出
本文运行环境如下供参考：
| python版本 | 3.9 |
| MMDetection版本 | 3.3 |
一、虚拟环境的搭建
参考该博客搭建基本环境：
【保姆级最简洁教程】零基础如何快速搭建YOLOv5/v7？_yolo安装-CSDN博客
可能会遇到的报错需要更新的包，输入如下代码解决：
pip install mmcv-full==2.0.0rc4 -f https://download.openmmlab.com/mmcv/dist/cu116/torch1.12/index.html
pip install mmdet==3.0.0对mmcv还有疑问的，可参考该博客解决：
【零基础保姆级教程】mmcv安装教程-CSDN博客
二、跑通项目流程
首先到官网拉取项目
GitHub - open-mmlab/mmdetection: OpenMMLab Detection Toolbox and Benchmark
拉取后，进行以下步骤：
1.准备自己的数据集（VOC/COCO格式）
coco文件如图所示。
其中，test2017、train2017和val2017均存放图片。
annotations中文件结构如图所示。
2.在拉取项目的目录下新建文件夹data
把你的COCO或VOC格式数据集拉取进来，如图所示
3.根据自己的数据集类别进行修改
打开mmdetection-main\mmdet\evaluation\functional\class_names.py文件
将def coco_classes()和def voc_classes()的return中的内容改为自己数据集类别，博主此处示例只有一个类别，称为“polyp”，若你有多个类别名称不同请自行修改。如图所示：
打开mmdetection-main\mmdet\datasets\coco.py的class CocoDataset(BaseDetDataset):的 METAINFO = {}中的'classes':类别改为自己数据集的类别
打开mmdetection-main\mmdet\datasets\voc.py的
class VOCDataset(XMLDataset):的 METAINFO = {}中的'classes':类别改为自己数据集的类别，如图所示
4.在自己的根目录下运行重构项目
python setup.py install build5.以SSD算法为例修改参数开始训练（若你要跑其它算法也均按此步骤）
打开mmdetection-main\configs\ssd\，configs目录可以挑选你需要跑的算法
打开ssdlite_mobilenetv2-scratch_8xb24-600e_coco.py
对里面的一些参数做修改，作用是符合自己的训练目的，博主修改了以下位置：
num_classes = 类别数，默认是80，博主数据集只有一个类别，故改为1（不用管背景）
max_epochs = 世代数
input_size = 输入图像尺寸，默认是300，根据你的要求修改
batch_size = 批次量，按住ctrl+f搜索后依次修改，考虑你的计算机资源量后修改
num_workers=线程数，考虑你的计算机资源量后修改
val_interval=评估间隔次数，默认是5，即五次epoch一次评估，这里博主选择的是1，频繁的评估可能造成训练总时间的延长，建议根据自己的需要做调整。
🔺无论你跑的是哪个算法，此处_base_中的参数都需要调整，尤其是博主上述给出的参数。若不修改，例如，batchsize在许多默认算法中是192，这对于许多资源有限的计算机可能就会导致异常。
注：若是跑VOC数据集的同学，此处也需要修改
改为
包括下方的ann_file和data_prefix参数，该项目默认数据集都是COCO数据集的，所以选择COCO格式数据集的可以少改一些。
除此之外，往上两张图中的mmdetection-main\configs\_base_\schedules\schedules_2x.py中的参数也需要调整。
同学们在刚刚开始训练时，需要观察每个step输出的loss值高低，若有一个或多个突然走高的数值是十分正常的，但若是走高乃至直接nan，可以尝试调整optimizer=，将其的学习率调低（如默认的lr×0.1乃至更低）在博主的训练在常有效。
在博主的数据集上，除了ssd\ssdlite_mobilenetv2-scratch_8xb24-600e_coco.py无需繁琐的调参外，centernet\centernet_r18_8xb16-crop512-140e_coco.py、retinanet\retinanet_effb3_fpn_8xb4-crop896-1x_coco.py也不需要调参，按照上述参数调整后即可开始训练。
同时，ssd\ssd300_coco.py、faster_rcnn\faster-rcnn_r18_fpn_8xb8-amp-lsj-200e_coco.py等的训练就很麻烦，经常需要调整学习率。
6.控制台输入命令开始训练
python tools/train.py configs/ssd/ssdlite_mobilenetv2-scratch_8xb24-600e_coco.py --work-dir work_dirs即可在你的目录下生成work_dirs文件夹，待训练开始，打开后如图所示即代表训练成功
此处博主遭遇报错
ValueError: need at least one array to concatenate该问题网上有许多解决方法均不适用，博主用如下方法解决：
在自己的本地环境下尤其注意类别需要改在：
./anaconda3/envs/（你的环境名称）/Lib/site-packages/mmdet/dataset/coco.py中的
'classes':('你的类别名称',)即可解决
7.正常运行结果如下所示
如图所示即运行成功。
8.修改项目文件使可输出指标Precision、Recall、F1
运行后会在work_dirs下生成你的设置的epoch等数量的权重文件。接下来做如下工作：
输入命令：
python tools/test.py configs/ssd/ssdlite_mobilenetv2-scratch_8xb24-600e_coco.py work_dirs/epoch_xx.pth --out=result.pkl此处命令的xx需改为实际的数字，即可对你训练出的权重进行测试，测试结果会输出COCO指标与一个result.pkl文件，这个文件可用于生成precision/recall/f1。
打开文件tools/analysis_tools/confusion_matrix.py
在文件后加入代码
TP = np.diag(confusion_matrix)
FP = np.sum(confusion_matrix, axis=0) - TP
FN = np.sum(confusion_matrix, axis=1) - TP
precision = TP / (TP + FP)
recall = TP / (TP + FN)
average_precision = np.mean(precision)
average_recall = np.mean(recall)
f1 = 2 * (precision * recall) / (precision + recall)
print('AP:', average_precision)
print('AR:', average_recall)
print('F1:', f1)
print('Precision', precision[0])
print('Recall', recall[0])
output_file_path = os.path.join(save_dir, 'PRF1.txt')
with open(output_file_path, 'a') as output_file:
output_file.write(f'{prediction_path} {precision[0]:.5f} {recall[0]:.5f} {f1:.5f}\n')
输入命令
python tools/analysis_tools/confusion_matrix.py configs/ssd/ssdlite_mobilenetv2-scratch_8xb24-600e_coco.py result.pkl results/ --score-thr 0.5 即可生成对应一个epoch权重的指标。
若要生成所有权重的指标，请见链接：
【零基础保姆级教程】MMDetection3训练输出Precision/Recall/F1-Score指标-CSDN博客
三、运行过程中常见的报错
请见链接：
【持续更新中】MMDetection3训练自己的数据集常见报错解决-CSDN博客
更多文章产出中，主打简洁和准确，欢迎关注我，共同探讨！
