在上一篇博文中，博主完成了MMDetection框架的环境部署与推理过程，下面进行该框架的训练过程，训练的入口文件为tools/train.py，我们需要配置的内容如下：

parser.add_argument('--config',default="/home/ubuntu/programs/mmdetection/configs/faster_rcnn/faster-rcnn_r50_fpn_2x_coco.py", help='train config file path')
parser.add_argument('--work-dir',default="output/", help='the dir to save logs and models')

首先是指明要训练模型的配置文件，这里博主使用的是Faster-RCNN，该模型的骨干网络为ResNet50，使用的是COCO数据集，随后指明保存的路径。
此外，我们可以指定预训练模型，即指定resume参数，由于博主使用的是自制数据集，直接使用其权重模型会报错，所以我们就直接从头开始训练。

自定义数据集

博主使用的是自定义数据集，那么就需要修改几个内容：
首先是数据集的配置，修改mmdet文件下的datasets/coco.py:

随后修改mmdet/evaluation/functional/下的class_names.py:

def coco_classes() -> list:
    """Class names of COCO."""
    return [
        'pedestrains'
    ]

这里需要一提的是，在MMdetection文件下有一个mmdet文件，而我们配置的环境中也有一个mmdet文件，默认是使用系统里的文件的，因此博主先前一直是修改的mmdetetcion里面的mmdet文件，这会报错：

data_bytes = np.concatenate(data_list) File "<__array_function__ internals>", line 6, in concatenate

这时就要修改环境中mmdet文件了，当然也可以把这个包删掉，但对博主而言无所谓，因为博主并不打算在上面修改代码。该包的路径：

/home/ubuntu/.conda/envs/mmdet/lib/python3.7/site-packages/mmdet/

完成上面的配置后，只需要再修改faster-rcnn中的类别数目即可，默认是80，我们改为1：

随后便可以运行了，完成一个epoch用时不到一小时，还是可以接受的。

GPU占用情况：