这里不再介绍 mmdetection 的安装和配置，使用 mmdetection 较简单的方法是使用已安装 mmdetection 的 docker 容器。这样直接省去了安装 mmdetection 的过程，让重心放在模型训练上！
如果你对 docker 和 mmdetection 还不是很熟悉，请自行搜索一下，本文就不再赘述了。
这里附上 mmdetection 的 GitHub 地址：
https://github.com/open-mmlab/mmdetection
0. 前期准备
首先默认你的电脑已经做好了下面这些前期准备工作：
- Ubuntu 16.04 或以上
- GPU 安装
- cuda 安装
- cudnn 安装
- docker 安装
- nvidia-docker
当然，如果你连接的是公司或学校的服务器，且服务器已经做了上面几点准备，那你只需要一个 Xshell 远程登录服务器就行了。
下载含 mmdetection 的 docker 镜像
首先，我们需要找到一个已经配置好 mmdetection 环境的 docker 镜像。可以在 dockerhub 上用 “mmdetection” 作为关键词进行搜索，也可以在 terminal 里直接使用命令 docker search 进行搜索：
$ docker search mmdetection
结果显示如下图所示：
这里，我们选择排第一的 vistart/mmdetection 镜像，下载 docker 镜像的方法也很简单，使用 docker pull 从镜像仓库中拉取指定镜像：
$ docker pull vistart/mmdetection
如果网络没问题，下载会在几分钟之内完成。下载完成之后，我们就可以查看 vistart/mmdetection 镜像是否已经放在本地镜像里了：
$ docker images
可以看到 vistart/mmdetection 镜像已经成功下载了。
2. 新建含 mmdetection 的容器
包含 mmdetection 的镜像已经下载好了，下一步就是新建一个 docker 容器以供使用了：
$ docker run --runtime=nvidia --name mm_prj -i -t vistart/mmdetection /bin/bash
对上面的命令解释一下：--runtime=nvidia 很关键，能使新建的 docker 容器能使用宿主机器的 GPU，不加这个参数则默认使用 CPU；--name mm_prj 是对新建的 docker 容器进行命名，该名称为 mm_prj，读者可自行修改。
新建容器之后的界面如下：
至此，名为 mm_prj 容器已经打开了。可以看到，该目录中已经包含了 mmdetection 目录，表示该 docker 镜像已经安装好了 mmdetection。
补充：
另外，补充一些退出容器、进入容器的操作。
退出容器：
# exit
查看现有容器：
$ docker ps -a
可以看到，名为 mm_prj 的 docker 容器已经在容器列表了。
打开容器：
$ docker start mm_prj $ docker exec -i -t mm_prj /bin/bash
3. 导入自己的 VOC 数据
这一步，我们需要把自己的数据打包成 Pascal VOC 格式。其目录结构如下：
VOCdevkit
--VOC2007
----Annotations
----ImageSets
------Main
----JEPGImages
简单介绍一下，其中 Annotations 存放的是 .xml 文件，JEPFImages 存放的是 .jpg 图片。
按照此格式放置好自己的训练数据之后，需要切分训练数据和测试数据。在 VOCdevkit 目录下新建一个 test.py 文件。test.py 内容为：
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()
上面的代码划分数据集，trainval 占 80%，作为训练集；test 占 20%，作为测试集。
运行 test.py，将会在 VOCdevkit/ImageSets/Main 目录下生成下面三个文件：
打开文件可以看到，trainval.txt 包含训练时所有的样本索引，test.txt 包含测试时所有的样本索引。
自己的 VOC 数据制作完毕之后，从宿主机（Ubuntu）复制到 /mmdetection/data/ 目录下：
$ docker cp VOCdevkit mm_prj:/mmdetection/data/
4. 修改 class_names.py 文件
打开 /mmdetection/mmdet/core/evaluation/class_names.py 文件，修改 voc_classes 为将要训练的数据集的类别名称。如果不改的话，最后测试的结果的名称还会是’aeroplane’, ‘bicycle’, ‘bird’, ‘boat’,…这些。改完后如图：
5. 修改 voc.py 文件
打开 mmdetection/mmdet/datasets/voc.py 文件，修改 VOCDataset 的 CLASSES 为将要训练的数据集的类别名称。
如果只有一个类，要加上一个逗号，否则将会报错。
6. 修改配置文件
mmdetection 中提供了很多目标检测模型可供使用。例如，进入 /mmdetection/config/ 目录，就会看到很多模型：
根据我们选择使用的模型，修改相应的配置文件。本文我们使用的是FasterRCNN 模型，修改的是 faster_rcnn_r50_fpn_1x.py 文件。
6.1 修改 num_classes 变量
打开 faster_rcnn_r50_fpn_1x.py，将 num_classes 变量改为：类别数 + 1（例如我有 20 类，因此改为 21）：
6.2 修改 data_settings
因为 faster_rcnn_r50_fpn_1x.py 默认使用的是 coco 数据集格式，我们要对其修改成相应的 VOC 数据格式。修改后的内容如下图所示：
6.3 调整学习率
本文使用单 gpu 训练，修改 img_per_gpu = 2，workers_per_gpu = 0。
对学习率的调整，一般遵循下面的习惯：
- 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
这里，我们只使用单 gpu，且 img_per_gpu = 2，则设置 lr = 0.00125。
这里说一下 epoch 的选择，默认 total_epoch = 12，learning_policy 中，step = [8,11]。total_peoch 可以自行修改，若 total_epoch = 50，则 learning_policy 中，step 也相应修改，例如 step = [38,48]。
至此，配置文件已修改完毕。
7. 模型训练
模型训练非常简单，只需一行命令：
python3 ./tools/train.py ./configs/faster_rcnn_r50_fpn_1x.py
注意执行上面的命令是在 /mmdetection 目录下。
如果有多个 gpu，例如 0, 1 号 gpu 都可用，则可以全部用起来训练，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 个数为 2。如果使用多块 gpu，注意修改学习率 lr。
然后，训练就开始了：
从打印出的信息中，可以看到当前的 epoch 和 loss 值。
每个 epoch 会生成一个模型，并自动保存在 /mmdetection/work_dirs/faster_rcnn_r50_fpn_1x/ 目录下。
训练完成之后，latest.pth 即 epoch_12.pth 就是最终的模型。
8. 模型测试，计算 mAP
下面我们将使用训练好的模型对测试集进行验证，并计算 mAP。
8.1 生成 pkl 文件
首先，生成 pkl 文件：
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 计算测试集
mAP 对测试集计算 mAP，只需一行命令：
python3 ./tools/voc_eval.py result.pkl ./configs/faster_rcnn_r50_fpn_1x.py
计算结果如下：
图中可以看到，最后计算的 mAP = 0.978。（本文中的目标检测场景比较简单，目标清晰明确，故 mAP 很高）
9. 总结
好了，以上就是教你如何一步一步在 docker 容器中使用 mmdetection 来训练自己的数据集并测试。建议大家使用自己的数据集尝试跑一下，看下效果~
