训练前的准备

将自己的COCO数据集放入到下载的mmdetection的源码里，（如果没有data文件夹需要新建）data -> COCO -> 你的COCO数据集

文件格式如下：

mmdetection├── mmdet├── tools├── configs├── data│ ├── coco│ │ ├── annotations│ │ ├── train│ │ ├── val

配置的修改configs/_base_/datasetscoco_detection.pycoco_instace.pycoco_instace_semantic.py

修改里面的img_scale=(,)：输入图片的最大长度和最小长度（GPU显存不够可以适量改动，上述的三个.py文件都要改）configs/你选择的算法/选择的配置文件

选择你需要的模型对应的配置文件进行修改

修改的内容为：num_classes=**,修改为你自己训练时候的数据集的种类的个数（分类的个数）。修改自己的COCO数据集的类别

mmdet/core/evaluation/classnames.py

def coco_classes():替换为自己的数据分类ID

mmdet/datasets/coco.py

class CoCoDataset(CustomDataset):替换为自己数据分类ID

准备训练

使用语句运行代码python tools/train.py configs/你选择的算法/你训练前的准备的第2步修改的配置文件 --gpus 1 --work-dir demo1_test一旦开始立即停止训练

进入刚刚设置的工作空间进入新生成的配置文件，与你上一步使用的配置文件的名称一致

找到log_config=dict(interval=50,hooks=....)

interval=50：含义为每50此输出一次日志，不便于分析模型的训练情况，建议改小一些进行训练此时使用自己的配置文件

使用语句运行代码python tools/train.py 你准备训练的第2步修改的配置文件 --gpus 1 --work-dir demo1_testtools/analyze_logs.py

运行代码可以将日志转化为折线图

python tools/analysis_tools/analyze_logs.py plot_curve 日志的路径 --key loss_cls loss_bbox loss_mask

还可以加上--out的配置，输出为jpg或者pdf

测试模型

执行语句python tools/test.py 你的配置文件 指定模型的配置文件

此时展示出来的是ID而不是名字

展示出名字的修改

在下面插入

# id对应的名字real_names = ['data1', 'data2',.......]

找到class_names=self.CLASSES,修改为class_name=real_names,