在上一篇博文中，博主完成了MMDetection框架的环境部署与推理过程，下面进行该框架的训练过程，训练的入口文件为tools/train.py，我们需要配置的内容如下：
修改Train.py文件
确定自己要用的模型
parser.add_argument('--config',default="/home/ubuntu/programs/mmdetection/configs/faster_rcnn/faster-rcnn_r50_fpn_2x_coco.py", help='train config file path')
parser.add_argument('--work-dir',default="output/", help='the dir to save logs and models')首先是指明要训练模型的配置文件，这里博主使用的是Faster-RCNN，该模型的骨干网络为ResNet50，使用的是COCO数据集，随后指明保存的路径。
此外，我们可以指定预训练模型，即指定resume参数，由于博主使用的是自制数据集，直接使用其权重模型会报错，所以我们就直接从头开始训练。
自定义数据集
博主使用的是自定义数据集，那么就需要修改几个内容：
首先是数据集的配置，修改mmdet文件下的datasets/coco.py:
随后修改mmdet/evaluation/functional/下的class_names.py:
def coco_classes() -> list:
"""Class names of COCO."""
return [
'pedestrains'
]这里需要一提的是，在MMdetection文件下有一个mmdet文件，而我们配置的环境中也有一个mmdet文件，默认是使用系统里的文件的，因此博主先前一直是修改的mmdetetcion里面的mmdet文件，这会报错：
data_bytes = np.concatenate(data_list) File "<__array_function__ internals>", line 6, in concatenate这时就要修改环境中mmdet文件了，当然也可以把这个包删掉，但对博主而言无所谓，因为博主并不打算在上面修改代码。该包的路径：
/home/ubuntu/.conda/envs/mmdet/lib/python3.7/site-packages/mmdet/模型修改
完成上面的配置后，只需要再修改faster-rcnn中的类别数目即可，默认是80，我们改为1：
训练设置
MMDetection的训练参数设置需要主要是调整scheduler.py文件，其中max_epochs为训练的epoch次数，有时也会用total_epoch，随后便是val_interval参数，这个参数是比较重要的，其含义为每多少个epoch次数进行验证，默认为1，每次验证之后便会保留一次权重文件，之所以要注意的原因在于如果训练次数较多，那么就有可能保留很多权重文件，这些文件可能要占用大量的磁盘空间，因此，这个参数要谨慎设置，此外，该参数也关系到模型的学习情况，每次验证都会对参数进行修正，而修正的次数过少，那么结果也可能受影响。
train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=100, val_interval=1)
val_cfg = dict(type='ValLoop')
test_cfg = dict(type='TestLoop')
# learning rate
param_scheduler = [
dict(
type='LinearLR', start_factor=0.001, by_epoch=False, begin=0, end=500),
dict(
type='MultiStepLR',
begin=0,
end=100,
by_epoch=True,
milestones=[78, 91],
gamma=0.1)
]
# optimizer
optim_wrapper = dict(
type='OptimWrapper',
optimizer=dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001))训练开始
随后便可以运行了，完成一个epoch用时大约50分钟，还是可以接受的。不过值得主要的是，使用该框架的显存占用较大，此外，显存占用还有上升趋势。
GPU占用情况：
