１：训练之前需要改动的地方针对coco数据集的：

1、定义数据种类，需要修改的地方在mmdetection/mmdet/datasets/coco.py。把CLASSES的那个tuple改为自己数据集对应的种类tuple即可。例如： CLASSES = ('speedboat', 'boat', 'Clamp', 'Drainage_Plate')

2、接着在mmdetection/mmdet/core/evaluation/class_names.py修改coco_classes数据集类别，这个关系到后面test的时候结果图中显示的类别名称。 def coco_classes(): return [ 'Glass_Insulator', 'Composite_Insulator', 'Clamp', 'Drainage_Plate' ] 3、修改configs/faster_rcnn_r50_fpn_1x.py中的model字典中的num_classes、data字典中的img_scale和optimizer中的lr(学习率)。例如：

num_classes=5,#类别数+1
img_scale=(640,478), #输入图像尺寸的最大边与最小边（train、val、test这三处都要修改）
optimizer = dict(type='SGD', lr=0.0025, momentum=0.9, weight_decay=0.0001) #当gpu数量为8时,lr=0.02；当gpu数量为4时,lr=0.01；我只要一个gpu，所以设置lr=0.0025

4、在mmdetection的目录下新建work_dirs文件夹

训练的指令：

python tools/train.py configs/faster_rcnn_r50_fpn_1x.py --gpus 1 --validate --work_dir work_dirs

"""

２： 训练之前需要改动的地方针对ＶＯＣ数据集的：

首先根据规范的VOC数据集导入到项目目录下，如下图所示：

1.然后复制configs/retinanet_x101_64x4d_fpn1x.py ,更名为my_data.py

2.修改其中my.py/dataset settings部分：

dataset_type = 'VOCDataset'
data_root = 'data/VOCdevkit/'
img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
data = dict(
    imgs_per_gpu=2,
    workers_per_gpu=2,
    train=dict(
        type='RepeatDataset',  # to avoid reloading datasets frequently
        times=3,
        dataset=dict(
            type=dataset_type,
            ann_file=[
                data_root + 'VOC2007/ImageSets/Main/train.txt',#train.txt
            ],
            img_prefix=[data_root + 'VOC2007/'],
            img_scale=(1333, 800),
            img_norm_cfg=img_norm_cfg,
            size_divisor=32,
            flip_ratio=0.5,
            with_mask=False,
            with_crowd=False,
            with_label=True)),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'VOC2007/ImageSets/Main/trainval.txt',
        img_prefix=data_root + 'VOC2007/',
        img_scale=(1333, 800),
        img_norm_cfg=img_norm_cfg,
        size_divisor=32,
        flip_ratio=0,
        with_mask=False,
        with_crowd=False,
        with_label=True),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'VOC2007/ImageSets/Main/test.txt',
        img_prefix=data_root + 'VOC2007/',
        img_scale=(1333, 800),
        img_norm_cfg=img_norm_cfg,
        size_divisor=32,
        flip_ratio=0,
        with_mask=False,
        with_crowd=False,
        with_label=False,
        test_mode=True))
​

3.修改mmdetection/mmdet/datasets/voc.py下classes为自己的类

class VOCDataset(XMLDataset):
​
    CLASSES = ('fishingboat', 'boat', 'unmannedboat', 'float', 'islandreef', 'speedboat')
   

4、接着在mmdetection/mmdet/core/evaluation/class_names.py修改coco_classes数据集类别，这个关系到后面test的时候结果图中显示的类别名称。 def coco_classes(): return [ 'Glass_Insulator', 'Composite_Insulator', 'Clamp', 'Drainage_Plate' ]

5：：结果显示

＂＂＂

单ＧＰＵ训练： python tools/train.py configs/my_data.py

多ＧＰＵ训练： ./tools/dist_train.sh configs/my_data.py 2

########################

计算voc的map需要运行两步

１：python tools/test.py configs/my_data.py work_dirs/epoch_2.pth --out results.pkl --eval bbox --show

２：python tools/voc_eval.py results.pkl ./configs/my_data.py

＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃

可能存在的问题

1:::找不到batch_size?

The default learning rate in config files is for 8 GPUs and 2 img/gpu (batch size = 8*2 = 16).you need to set the learning rate proportional to the batch size if you use different GPUs or images per GPU, e.g., lr=0.01 for 4 GPUs * 2 img/gpu and lr=0.08 for 16 GPUs * 4 img/gpu.

2:::若是出现这个ＧＰＵ内存问题，

要不就是输入图像的尺度太大，可以改成img_scale=(640,478),原配置文件img_scale=(1333, 800)

也有可能是lr=0.0001学习率太大．可以调小．原来的文件是lr = 0.01

3:::训练自己的VOC数据集 label=self.cat2label 报错

看了GitHub上的大佬的回答，报错的原因是self.cat2label值不对，所以根据大佬的建议，我print了self.cat2label值，发现果然不对，类还是VOC数据集的类，而不是我自己的类，我的类是‘b4891338010542’.我确定mmdetection/mmdet/datasets/voc.py下classes已修改无误，但任然打印的类是VOC数据集的类。

解决方案：

  看到报错的文件路径了没，没错，就是这，这里还有个voc.py,进去将这里的classes也修改了就好了。

上面的路径是虚拟环境中mmdet的voc.py