配置文件(config)

• 由于在大型项目中，一种模型需要分：tiny、small、big等很多种，而它们的区别主要在网络结构，数据的加载，训练策略等，且差别很多都很小，所以如果每个模型都手动从头写一份，很麻烦，为了方便，现在都是直接采用配置文件的形式来定义
• 如yaml文件、py文件等
  
  

MMdetection的配置文件构成

• 在MMdection的配置文件中，我们根据字段来定义模型训练的各部分
  
• 配置文件的运作方式
  

使用MMdection来训练自己的检测模型

• coco数据集的组织形式
  

• coco数据集的标注格式

• 所有标注信息存储在一个JSON对象中，包含以下信息：images–所有原始图像信息、annotations–所有标注信息、categories–全部物体类别信息
  
  
  

• 其中：name表示当前的物体类别，supercategories表示当前物体的超类，如car的超类为vehicle

• 我们将自己的数据集按照以上的格式整理好后，还需要更改模型的配置文件（有些模型是继承coco_instance.py，需要仔细查找），如下：
  

• 重点是需要修改：数据集的路径、batch_size、进程数

• 在将原始图像输入进模型之前，我们可能还需要对图像进行：随机裁剪与缩放、水平翻转、像素值归一化、转换为PyTorch Tensor等操作，这些操作我们统一放在数据处理流水线，即pipeline中。对于微调训练，通常情况是不需要进行更改的

• 下图为分类的pipeline：
  

• 由于检测有框，所以多了一个annotations，对于框也需要进行跟原始图片一样的操作，下图是检测的：