運行環(huán)境：ubuntu18.04， CUDA10，conda

硬件：2080Ti

參考：

PolarMask pytorch代碼實現(xiàn)記錄（碎碎念事無巨細版）_Amberrr的博客-CSDN博客_polarmask訓(xùn)練自己的數(shù)據(jù)集

PolarMask是基于mmdetection的。

1.下載文件

新建PolarMask文件夾，在其中下載PolarMask源碼文件夾，并下載cocoapi文件夾，并列放置

GitHub - xieenze/PolarMask: Code for 'PolarMask: Single Shot Instance Segmentation with Polar Representation'Code for 'PolarMask: Single Shot Instance Segmentation with Polar Representation' - GitHub - xieenze/PolarMask: Code for 'PolarMask: Single Shot Instance Segmentation with Polar Representation'https://github.com/xieenze/PolarMask

GitHub - cocodataset/cocoapi: COCO API - Dataset @ http://cocodataset.org/COCO API - Dataset @ http://cocodataset.org/ . Contribute to cocodataset/cocoapi development by creating an account on GitHub.https://github.com/cocodataset/cocoapi

2.安裝依賴

進入PolarMask文件夾，修改PolarMask/mmdet/datasets/loader/sampler.py文件中：

from mmcv.runner.utils import get_dist_info

為：

from mmcv.runner import get_dist_info

然后開始進行配置，參考安裝的指令install.md：

執(zhí)行如下命令：

conda create -n your_venv_name python=3.7 -y #自己設(shè)置虛擬環(huán)境名字，和python版本，為了匹配matlib，建議選擇3.7 conda activate your_venv_name #激活你建立的虛擬環(huán)境 conda install pytorch=1.3.1 cudatoolkit=10.0 torchvision=0.4.2 -c pytorch #安裝此版本的pytorch和cuda開發(fā)組件

如果下載沒問題（使用教育網(wǎng)）跳過此步，但是如果執(zhí)行conda install pytorch=1.3.1 cudatoolkit=10.0 torchvision=0.4.2 -c pytorch，下載緩慢，則可以嘗試使用pip命令安裝pip install torch===1.3.1 torchvision===0.4.2 -f https://download.pytorch.org/whl/torch_stable.html

安裝成功后，進入cocoapi文件夾中安裝coco依賴，再進入PolarMask文件夾中安裝PolarMask依賴，代碼如下：

cd /cocoapi/PythonAPI #進入cocoapi文件夾 python setup.py build_ext install #安裝cocoapi依賴 cd /PolarMask python setup.py develop #安裝PolarMask依賴

過程中如果有報錯no module named 'xxxxx' ，可使用conda install xxxx或者pip install xxxxx，命令安裝即可。

安裝好之后，開始訓(xùn)練dataset

3.制作自己的數(shù)據(jù)集并訓(xùn)練

其中coco數(shù)據(jù)集我使用的是2017格式：

data文件夾放在PolarMask代碼包里面，布局如下：

data

|? ? ? ?|---coco

|? ? ? ?|? ? ? ? ? ? |---annotations

|? ? ? ?|? ? ? ? ? ? |---train2017

|? ? ? ?|? ? ? ? ? ? |---val2017

設(shè)置好數(shù)據(jù)集格式和位置后，在configs/polarmask/4gpu/polar_768_1x_r50.py中修改為自己的數(shù)據(jù)集路徑（data_root=data/coco/），修改類別數(shù)量num_classes=自己數(shù)據(jù)集中的類別數(shù)量，學(xué)習(xí)率設(shè)置為0.025（單塊GPU要設(shè)置?。?，可自定義修改工作路徑“work_dir=xxxxx”，保存訓(xùn)練過程中的權(quán)重文件和訓(xùn)練信息；device_ids = range(4)變?yōu)閐evices_ids = range(1)。

接下來開始訓(xùn)練，訓(xùn)練命令：

python tools/train.py configs/polarmask/4gpu/polar_768_1x_r50.py

執(zhí)行該命令后可能出現(xiàn)cuda版本的相關(guān)信息，此種情況可能是自己的cuda版本與顯卡不支持，或者是mmcv/mmdetection的版本不支持，如果這樣，請在安裝PolarMask依賴之前首先下載mmdetection和mmcv相應(yīng)版本的代碼包，按照：

Prerequisites — MMDetection 2.19.1 documentationhttps://mmdetection.readthedocs.io/en/latest/get_started.html#installation

安裝正確的mmdetection和mmcv版本，之后再安裝Polarmask依賴，即可解決該問題，

實際測試中 cuda10，pytorch1.3.1，python3.7， 2080Ti，ubuntu18.04，mmdetection1.0.0， mmcv0.5.3支持運行。

訓(xùn)練完成后相應(yīng)權(quán)重保存在自己設(shè)置的工作路徑中。

4.test和inference

測試命令，將訓(xùn)練結(jié)果輸出保存為pkl文件：

#test的格式?

python tools/test.py configs/polarmask/4gpu/polar_768_1x_r50.py [YOUR_CHECKPOINT_DIR] --out [OUT_DIR] # eg:python tools/test.py configs/polarmask/4gpu/polar_768_1x_r101.py /home/wh/weights/polarmask_r101_1x.pth --out work_dirs/polar101.pkl?

#自己的?

python tools/test.py configs/polarmask/4gpu/polar_768_1x_r50.py work_dirs/trash/epoch_12.pth --out /mnt/lxr/Polarmask/PolarMaskmaster/work_dirs/out/results.pkl

Inference過程

/demo/visual.ipynb改成python腳本visual.py即可

在demo/visual.py里修改cofig路徑、模型存儲路徑和測試圖片路徑

修改/mmdet/api/infrence.py文件中的函數(shù)show_result_pyplot()，在最后加上plt.savefig(“result.jpg”)，可以添加參數(shù)設(shè)置指定目錄，可以重新寫一個腳本進行批處理。