https://github.com/open-mmlab/mmdetection
这个开源库提供了已公开发表的多种视觉检测核心模块。通过这些模块的组合，可以迅速搭建出各种著名的检测框架，比如 Faster RCNN，Mask RCNN，R-FCN，RetinaNet ， Cascade R-CNN及ssd 等，以及各种新型框架，从而大大加快检测技术研究的效率。
相比 FAIR 此前开源的 Detectron，mmdetection 有以下几大优势：
Performance 稍高 训练速度稍快：Mask R-CNN 差距比较大，其余的很小。 所需显存稍小: 显存方面优势比较明显，会小 30% 左右。 易用性更好: 基于 PyTorch 和基于 Caffe2 的 code 相比，易用性是有代差的。
与 mmdetection 一起开源的还有一个基础库——mmcv。mmcv 基础库主要分为两个部分：一部分是和 deep learning framework 无关的一些工具函数，比如 IO/Image/Video 相关的一些操作；另一部分是为 PyTorch 写的一套训练工具，可以大大减少用户需要写的代码量，同时让整个流程的定制变得容易。项目仓库地址为：https://github.com/open-mmlab/mmcv 建议也把mmcv仓库下载到本地，方便后面debug的时候查看源码。
1. 安装文档—手把手教你如何搭建MMDetection框架
https://zhuanlan.zhihu.com/p/101202864
2. 入门文档—教你如何快速上手MMDetection
https://zhuanlan.zhihu.com/p/101212969
3. 基准和模型汇总—展示MMDetection上各个模型的准确率和使用方法
https://zhuanlan.zhihu.com/p/101216931
4. 技术细节—手把手教你如何实现一个新的网络
https://zhuanlan.zhihu.com/p/101222759
mmdetection的configs中的各项参数具体解释
https://zhuanlan.zhihu.com/p/102072353
目标检测比赛中的tricks（已更新更多代码解析）
https://zhuanlan.zhihu.com/p/102817180
环境安装 1、安装教程
最好按照官方仓库的安装说明进行，很多博客里面的安装方法都或多或少有点小问题，可能是官方仓库一直在更新但是博客没有更新的缘故。官方安装说明地址：https://github.com/open-mmlab/mmdetection/blob/master/INSTALL.md
简单来说，该仓库目前只支持在linux系统上运行，不支持window；PyTorch的版本要求为：PyTorch 1.0 or PyTorch-nightly，且要根据其官网的安装命令安装，避免版本冲突问题。 2、运行demo测试环境是否安装成功
因为博主之前使用别的博客的demo代码的时候出现错误，找了半天不知道是什么原因，而当我好好看官方说明的时候才知道这个代码在说明中有，而且已经更新过，所以为了保险期间，这里就不直接贴出代码了，给地址你们自己去看。
测试的demo代码地址为：https://github.com/open-mmlab/mmdetection/blob/master/GETTING_STARTED.md#high-level-apis-for-testing-images 。将代码写入py文件，并存放到mmdetection文件夹目录下，然后运行。但是运行官方代码的前提是你已经下载了相关模型的checkpoint的pth文件，并放在mmdetection文件夹目录下的checkpoints文件夹下。官方提供的所有训练好的pth模型文件下载地址都在MODEL_ZOO.md中。另外随便照一张图片重命名为test.jpg放到mmdetection目录下就可以了。 三、训练自定义的dataset
相信大家用这个mmdetection都不只是为了尝尝鲜试一下的吧，所以这里分享下我训练自定义的数据集的过程记录。
先给大家看一下我的整个mmdetection文件夹的内容。
1、准备dataset
需要说明的是官方提供的所有代码都默认使用的是coco格式的数据集，所以不想太折腾的话就把自己的数据集转化成coco数据集格式吧。各种类型数据转coco格式脚本见：转换工具箱 。我使用的是其中的labelme2coco.py文件，亲测没有问题。
制作好数据集之后，官方推荐coco数据集按照以下的目录形式存储：
其中，$COCO_ROOT需改为你的coco数据集根目录
2、Training前修改相关文件
首先说明的是我的数据集类别一共有4个，分别是：‘Glass_Insulator’, ‘Composite_Insulator’, ‘Clamp’, ‘Drainage_Plate’。且我跑的模型是’configs/faster_rcnn_r50_fpn_1x.py’。
官方提供的代码中都使用的是coco数据集，虽然我们自定义的数据集也已经转换成coco标准格式了，但是像class_name和class_num这些参数是需要修改的，不然跑出来的模型就不会是你想要的。
一些博客例如这个,所提供的方法是按照官方给的定义coco数据集的相关文件，新建文件重新定义自己的数据集和类等，但是其实这是有风险的，我之前按照他们的方法走到最后发现会出现错误，所以最简单便捷且保险的方法是直接修改coco数据集定义文件（官方也是这样建议的）。
1、定义数据种类，需要修改的地方在mmdetection/mmdet/datasets/coco.py。把CLASSES的那个tuple改为自己数据集对应的种类tuple即可。例如：
4、在mmdetection的目录下新建work_dirs文件夹
3、Training
展示下开始训练的界面： 在这里插入图片描述 训练完之后work_dirs文件夹中会保存下训练过程中的log日志文件、每个epoch的pth文件（这个文件将会用于后面的test测试）
四、Testing
有两个方法可以进行测试。 1、如果只是想看一下效果而不要进行定量指标分析的话，可以运行之前那个demo.py文件，但是要改一下checkpoint_file的地址路径，使用我们上一步跑出来的work_dirs下的pth文件。例如：
但是使用这个测试命令的时候会报错，报错的情况我也在官方库的issue上提交了，可以查看我的error描述，看看与你的是否一致。
根据我的问题描述可以知道使用demo.py来测试是可以出结果的，但是会出现”warnings.warn('Class names are not saved in the checkpoint’s ’ "的警告信息。使用这一步的test命令的时候会报错，程序中断，但是其实问题是一致的，应该是训练中保存下来的pth文件中没有CLASSES信息，所以show不了图片结果。因此需要按照下面的步骤修改下官方代码才可以。
(1) 修改mmdetection/mmdet/tools/test.py中的第29行为：
此处的格式化输出称为检测评价矩阵（detection evaluation metrics）。此处摘录COCO数据集文档中对该评价矩阵的简要说明：
