以下链接是个人关于detectron2（目标检测框架），所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：17575010159 相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 文末附带 \color{blue}{文末附带} 文末附带 公众号 − \color{blue}{公众号 -} 公众号− 海量资源。 \color{blue}{ 海量资源}。 海量资源。
detectron2（目标检测框架）无死角玩转-00：目录
前言通过前面的博客，我们知道如何去使用官方已经训练好的模型，接下来当然是训练自己的模型呗，为了验证流程的正确，我们先使用coco数据集进行训练，因为这也是官方默认支持的数据集，比较容易操控，那么我们就开始吧
数据集下载及摆放首先我们阅读datasets/README.md的，可以看大如下： 
根据上面的提示，摆放好下载的数据集，本然摆放如下
datasets
--coco
--annotations
--train2017
--val2017
如果你仅仅是想随便测试一下，可以通过执行./prepare_for_tests.sh下载一个小版本的数据集，本人测试是下载了所有数据集。
上面的数据集，是实力分割的，如果我们先测试语义分割： 
先按上面的要求的安装panopticapi ：
pip install git+https://github.com/cocodataset/panopticapi.git
然后再运行prepare_panoptic_fpn.py。当然我们先要去下载coco对应的panoptic数据集，并且摆放好。后面的LVIS， cityscapes， Pascal VOC 数据集也是同样的原理，按照要求摆放即可。这里就不做过多的介绍了，总得来说，就是detectron2支持很多数据集的格式。下面我们来开始训练coco数据集把。
训练coco数据集我们回到detectron2/GETTING_STARTED.md，可以看到： 
根据上面的提示，本人在一个GPU上进行训，执行如下：
python tools/train_net.py \
--num-gpus 1 \
--config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025
然后在会生成output目录显示如下，存在如下文件： 
等待训练完成之后，模型也会保存到这里，如果我们想训练不同的模型，我们只需要配置–config-file对应的 yaml 文件即可，比如我想训练 retina 的检测检测网络，则只需要执行如下指令即可：
python tools/train_net.py \
--num-gpus 2 \
--config-file configs/COCO-Detection/retinanet_R_50_FPN_3x.yaml SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025
模型训练的方式知道，那么我们总需要知道我们的模型的效果究竟如何，也就是对模型进行评估。
模型评估我们继续阅读detectron2/GETTING_STARTED.md，可以看到
在测试之前呢，我已经通过以下链接下载好了一个模型： https://github.com/facebookresearch/detectron2/blob/master/MODEL_ZOO.md 
当然，你也可以使用自己训练好的模型，下载好模型之后，本人存放在如下位置， 
那么本人需要执行的指令为：
python tools/train_net.py \
--config-file configs/COCO-Detection/retinanet_R_50_FPN_3x.yaml \
--eval-only \
MODEL.WEIGHTS offimodel/model_final_4cafe0.pkl
大家要注意的是，对于SOLVER.IMS_PER_BATCH，MODEL.WEIGHTS这样的参数，我们必须写在末尾。还有就是我们可以发现，对于模型的评估，指定checkpoint文件的路径以及pkl文件的路径都是可以的。运行之后，本人打印如下： 
可以看到训练的结果还是很好的。
现在，我们已经知道如何去训练官方的coco数据集，那么接接下来我们就去训练自己的数据，今天是小年哈，祝大家2020年抬头不见bug，低头就见姑娘。对象总比bug多！！
