[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) 추가1-5 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.