[mmdetection] custom training 방법 (개선)

1. config file들 새로 만들기 

config의 대분류는 datasets, model, scedule, runtime 이다. 

이번에 만들 config file들도 이렇게 구성된다.

 

1-1 mmdetection/configs 폴더 안에 새로운 폴더 생성 ex) smartfarm

 

1-2 새로만든 폴더안에 dataset.py 생성

해당 파일은 config/_base_/coco_instance.py 를 복붙하고 주석처리한 부분만 수정한다.

# dataset settings
dataset_type = 'CocoDataset'
data_root = '/scratch/dohyeon/mmdetection/coco_output/' #dataset이 저장된 root위치
classes = ('chicken') # _base_/coco_instance.py에는 없지만 classes를 정의해준다.


img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadAnnotations', with_bbox=True, with_mask=True),
    dict(type='Resize', img_scale=(640, 640), keep_ratio=True), # image size 변경
    dict(type='RandomFlip', flip_ratio=0.5),
    dict(type='Normalize', **img_norm_cfg),
    dict(type='Pad', size_divisor=32),
    dict(type='DefaultFormatBundle'),
    dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels', 'gt_masks']),
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(
        type='MultiScaleFlipAug',
        img_scale=(640, 640), # image size 변경
        flip=False,
        transforms=[
            dict(type='Resize', keep_ratio=True),
            dict(type='RandomFlip'),
            dict(type='Normalize', **img_norm_cfg),
            dict(type='Pad', size_divisor=32),
            dict(type='ImageToTensor', keys=['img']),
            dict(type='Collect', keys=['img']),
        ])
]
data = dict(
    samples_per_gpu=2,
    workers_per_gpu=2,
    train=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_Train.json', # train annotation file 위치
        img_prefix=data_root + 'train/', # data root 위치
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_Validation.json', # val annotation file 위치
        img_prefix=data_root + 'val/', # data root 위치
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_Validation.json',  # test annotation file 위치
        img_prefix=data_root + 'val/', # data root 위치
        pipeline=test_pipeline))

evaluation = dict(metric=['bbox', 'segm'])

1-3 새로만든 폴더안에 schedule_1x.py 생성

마찬가지로 /mmdetection/configs/_base_/schedule_1x.py 를 복붙하고 주석처리한 부분만 수정한다.

# optimizer
optimizer = dict(type='SGD', lr=0.0001 / 8, momentum=0.9, weight_decay=0.0001) # lr 줄임
optimizer_config = dict(grad_clip=None)
# learning policy
lr_config = dict(
    policy='step', # 어떤 scheduler 쓸건지 선택
    warmup='linear', # warmup을 할지 안할지
    warmup_iters=1, # warmup interation 얼마나 줄건지
    warmup_ratio=0.001,
    step=[8, 11]) # step은 얼마마다 밟는지
runner = dict(type='EpochBasedRunner', max_epochs=200)

1-4 새로만든 폴더안에 default_runtime.py 생성

마찬가지로 /mmdetection/configs/_base_/default_runtime.py 를 복붙하고 주석처리한 부분만 수정한다.

이때 hook 안에 WandbLoggerHook을 추가해주고 project, entity, name을 설정해주면 wandb에서 학습과정을 시각화 할 수 있다.

checkpoint_config = dict(interval=1)
# yapf:disable
log_config = dict(
    interval=50,
    hooks=[
        dict(type='TextLoggerHook', interval=500),
        dict(type='WandbLoggerHook',interval=1000,
            init_kwargs=dict(
                project='SmartFarm', # project 이름
                entity = 'dohyeonyoon', # Entity 이름
                name = 'dohyeon' # 실험할 때마다 Run에 찍히는 이름
            ),
            )
    ])
# yapf:enable
custom_hooks = [dict(type='NumClassCheckHook')]

dist_params = dict(backend='nccl')
log_level = 'INFO'
load_from = None
resume_from = None
workflow = [('train', 1),('val', 1)] # validation값도 찍기 위해 ('val',1) 추가

1-5 새로만든 폴더안에 mask_rcnn_r50_fpn.py 생성

model은 configs/_base_/models 안에서 사용할 모델을 그대로 복사한다. 이 게시물에서는 mask_rcnn_r50_fpn을 사용할 것이다.
여기서는 num_classes를 사용할 데이터셋의 class수에 맞게 모두 수정해준다.

# model settings
model = dict(
    type='MaskRCNN',
    backbone=dict(
        type='ResNet',
        depth=50,
        num_stages=4,
        out_indices=(0, 1, 2, 3),
        frozen_stages=1,
        norm_cfg=dict(type='BN', requires_grad=True),
        norm_eval=True,
        style='pytorch',
        init_cfg=dict(type='Pretrained', checkpoint='torchvision://resnet50')),
    neck=dict(
        type='FPN',
        in_channels=[256, 512, 1024, 2048],
        out_channels=256,
        num_outs=5),
    rpn_head=dict(
        type='RPNHead',
        in_channels=256,
        feat_channels=256,
        anchor_generator=dict(
            type='AnchorGenerator',
            scales=[8],
            ratios=[0.5, 1.0, 2.0],
            strides=[4, 8, 16, 32, 64]),
        bbox_coder=dict(
            type='DeltaXYWHBBoxCoder',
            target_means=[.0, .0, .0, .0],
            target_stds=[1.0, 1.0, 1.0, 1.0]),
        loss_cls=dict(
            type='CrossEntropyLoss', use_sigmoid=True, loss_weight=1.0),
        loss_bbox=dict(type='L1Loss', loss_weight=1.0)),
    roi_head=dict(
        type='StandardRoIHead',
        bbox_roi_extractor=dict(
            type='SingleRoIExtractor',
            roi_layer=dict(type='RoIAlign', output_size=7, sampling_ratio=0),
            out_channels=256,
            featmap_strides=[4, 8, 16, 32]),
        bbox_head=dict(
            type='Shared2FCBBoxHead',
            in_channels=256,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=1,
            bbox_coder=dict(
                type='DeltaXYWHBBoxCoder',
                target_means=[0., 0., 0., 0.],
                target_stds=[0.1, 0.1, 0.2, 0.2]),
            reg_class_agnostic=False,
            loss_cls=dict(
                type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
            loss_bbox=dict(type='L1Loss', loss_weight=1.0)),
        mask_roi_extractor=dict(
            type='SingleRoIExtractor',
            roi_layer=dict(type='RoIAlign', output_size=14, sampling_ratio=0),
            out_channels=256,
            featmap_strides=[4, 8, 16, 32]),
        mask_head=dict(
            type='FCNMaskHead',
            num_convs=4,
            in_channels=256,
            conv_out_channels=256,
            num_classes=1,
            loss_mask=dict(
                type='CrossEntropyLoss', use_mask=True, loss_weight=1.0))),
    # model training and testing settings
    train_cfg=dict(
        rpn=dict(
            assigner=dict(
                type='MaxIoUAssigner',
                pos_iou_thr=0.7,
                neg_iou_thr=0.3,
                min_pos_iou=0.3,
                match_low_quality=True,
                ignore_iof_thr=-1),
            sampler=dict(
                type='RandomSampler',
                num=256,
                pos_fraction=0.5,
                neg_pos_ub=-1,
                add_gt_as_proposals=False),
            allowed_border=-1,
            pos_weight=-1,
            debug=False),
        rpn_proposal=dict(
            nms_pre=2000,
            max_per_img=1000,
            nms=dict(type='nms', iou_threshold=0.7),
            min_bbox_size=0),
        rcnn=dict(
            assigner=dict(
                type='MaxIoUAssigner',
                pos_iou_thr=0.5,
                neg_iou_thr=0.5,
                min_pos_iou=0.5,
                match_low_quality=True,
                ignore_iof_thr=-1),
            sampler=dict(
                type='RandomSampler',
                num=512,
                pos_fraction=0.25,
                neg_pos_ub=-1,
                add_gt_as_proposals=True),
            mask_size=28,
            pos_weight=-1,
            debug=False)),
    test_cfg=dict(
        rpn=dict(
            nms_pre=1000,
            max_per_img=1000,
            nms=dict(type='nms', iou_threshold=0.7),
            min_bbox_size=0),
        rcnn=dict(
            score_thr=0.05,
            nms=dict(type='nms', iou_threshold=0.5),
            max_per_img=1000,
            mask_thr_binary=0.5)))

1-6 새로만든 폴더안에 fianl.py 생성

4가지 config file을 모두 작성했으면 이를 합쳐주는 config file이 필요하다. final.py file을 만들고, 기존에 작성된 mmdetection/configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py 파일을 참고할 것이다.

_base_ = [
    '../_base_/models/mask_rcnn_r50_fpn.py',
    '../_base_/datasets/coco_instance.py',
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]

model, datasets, schedules, default_runtime을 모두 묶어 놓은 것을 알 수 있다. 그대로 복붙해서 final.py에 넣어준다. 

final.py가 다른 config file들과 같은 폴더안에 있으니 다음과 같이 수정한다. 

_base_ = [
    'mask_rcnn_r50_fpn.py',
    'dataset.py',
    'schedule_1x.py',
    'default_runtime.py'
]

1-6 backbone 변경(from resnet50 to swin-transformer)

위에서 사용한 mask rcnn의 경우 backbone이 Resnet이다. 

나는 Swin Transformer를 사용할 것이기 때문에 final.py를 조금 수정할 것이다. 

 

먼저 mmdetection/configs/swin 에서 mask_rcnn_swin-t-p4-w7_fpn_1x_coco.py 파일을 들어가 model 부분을 복사하여 final.py에 붙여넣는다.

# final.py
_base_ = [
    'cascade_rcnn_r50_fpn.py',
    'dataset.py',
    'schedule_1x.py',
    'default_runtime.py'
]

# backbone 변경시 final.py 에서 덮어 쓰는 방법
pretrained = 'https://github.com/SwinTransformer/storage/releases/download/v1.0.0/swin_tiny_patch4_window7_224.pth'  # noqa
model = dict(
    # type='MaskRCNN', ## 모델은 cascade_rcnn을 사용하기 때문에 주석처리
    backbone=dict(
        _delete_=True,  ## 기존에 백본을 Resnet을 썼는데 Swin으로 쓰겠다. lr과 같은 다른 config에도 같이 사용이 가능한 인자
        type='SwinTransformer',
        embed_dims=96,
        depths=[2, 2, 6, 2],
        num_heads=[3, 6, 12, 24],
        window_size=7,
        mlp_ratio=4,
        qkv_bias=True,
        qk_scale=None,
        drop_rate=0.,
        attn_drop_rate=0.,
        drop_path_rate=0.2,
        patch_norm=True,
        out_indices=(0, 1, 2, 3),
        with_cp=False,
        convert_weights=True,
        init_cfg=dict(type='Pretrained', checkpoint=pretrained)),
    neck=dict(in_channels=[96, 192, 384, 768])
        # [256, 512, 1024, 2048] = 기존의 in_channels . backcone마다 channel이 다르다.    
)

 

1-6 학습
train은 mmdetecion에 미리 정의된 train.py를 사용할 것이다.
cd 명령어로 mmdetection 까지 들어간 후
python tools/train.py configs/smartfarm/final.py 명령어로 학습을 시켜준다.

 

1-7 오류 디버깅

class num not match error가 발생할 것이다. 

\anaconda3\envs\conda_env_name\lib\python3.7\site-packages\mmdet\core\evaluation\class_names.py
\anaconda3\envs\conda_env_name\lib\python3.7\site-packages\mmdet\datasets\coco.py

 

위 두 파일에서 class name을 본인이 원하는 이름으로 변경하고 저장하면 된다.