一、运行环境

1.1 cuda环境

备注：cuda环境为个人学习和日常模型训练环境

1.登录环境

IP地址：10.201..

用户名：*******

密码：******

要用此用户名和密码！！

建议：自己创建自己的用户名和密码

2.登录conda环境

执行指令

conda activate open-mmlab

查看环境

pip list

则看到已安装的环境。

1.2 寒武纪环境

1.登录环境

IP地址：10.201..

用户名：*******

密码：********

2.登录openmmlab容器

打开容器

docker start openmmlab_main

进入容器

docker exec -it openmmlab_main bash

查看环境

二、初步运行MMyolo

在cuda和mlu环境中，后续所有操作一样，故不再分开单独讲解，掌握在cuda的操作，则mlu也掌握。

在**登录****账号后，默认进入到路径：

/home/workspace/extdata/share/******

然后进入到OPenMMlab的工作目录下：

cd OpenMMLab

再进入到mmyolo环境下：

cd mmyolo-main

执行训练指令：

 python ./tools/train.py ./configs/yolov5/yolov5_s-v61_fast_1xb12-40e_cat.py

当出现日志文件：

则训练成功。

在模型训练时，建议好好看看mmyolo-main\docs\zh_cn\get_started\15_minutes_object_detection.md文档

2.1 脚本讲解

在进行算法选择时，目前框架中针对各个算法有基本的配置文件，当确定选择应用的算法后，直接创建一个配置文件，然后继承即可，比如yolov5_s-v61_fast_1xb12-40e_cat.py，则是应用了yolov5算法，使用coco的数据格式，在配置文件中继承的是：base = 'yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py'（此处的相对路径是相对于调用的配置文件的相对路径，即yolov5_s-v61_fast_1xb12-40e_cat.py当前所在目录的相对路径)

后续在针对某一个项目或者模型，则是一个配置文件，类似yolov5_s-v61_fast_1xb12-40e_cat.py，里面详细的记载了模型的结构、数据详情、优化策略等，当调试算法或者更改数据时，修改此配置文件即可。

1、数据配置

在实际项目中，针对局点问题，不同项目的数据集不同，而使用的检测算法项目，也许此时修改的数据目录即可，在直接在配置文件中修改：

data_root = './data/cat/'  #此处的相对路径是相对于执行程序的路径。比如是在mmyolo-main目录下执行，则是在此目录下的相对路径路径
class_name = ('cat', )
num_classes = len(class_name)

多个公共数据集，包括 COCO， Pascal VOC， Cityscapes 和 其他更多数据集。

如果想用自己的数据集，格式要遵循以上数据集标定的格式。如果想多了解点数据的详情，请看文档：mmdetection-main\docs\zh_cn\user_guides\dataset_prepare.md。注意此处是mmdetect的指导文档。如果要分析自己的数据或者转化自己的数据，工程提供了详细的公工具，具体的指导文档为：mmyolo-main\docs\zh_cn\useful_tools下的dataset_ananlysis/dataset_converters/download_dataset等等。

2、模型算法配置

在选择完算法后，继承的配置文件，数据路径同样配置完成，则是针对当前数据的一些常规的配置了。比如：

max_epochs = 40   #最大迭代次数
train_batch_size_per_gpu = 12  #batchsize
train_num_workers = 4       #线程数

load_from = './premodel/yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth'  # 预训练模型路径

model = dict(
    backbone=dict(frozen_stages=4),   #冻结模型的层数，微调
    bbox_head=dict(
        head_module=dict(num_classes=num_classes),
        prior_generator=dict(base_sizes=anchors)))
#这些一般也可不用动
train_dataloader = dict(
    batch_size=train_batch_size_per_gpu,
    num_workers=train_num_workers,
    dataset=dict(
        data_root=data_root,
        metainfo=metainfo,
        ann_file='annotations/trainval.json', #根据自己的数据集目录形式修改
        data_prefix=dict(img='images/')))

val_dataloader = dict(
    dataset=dict(
        metainfo=metainfo,
        data_root=data_root,
        ann_file='annotations/test.json',
        data_prefix=dict(img='images/')))

test_dataloader = val_dataloader

_base_.optim_wrapper.optimizer.batch_size_per_gpu = train_batch_size_per_gpu

val_evaluator = dict(ann_file=data_root + 'annotations/test.json')
test_evaluator = val_evaluator

配置文件的详情请见：mmyolo-main\docs\zh_cn\tutorials\config.md

三、实操掌握mmyolo

在掌握上面的基本操作后，进行实操加深理解。

3.1 在当前的基础上，用自己的数据进行训练

1、将自己的标定数据转化为指定格式的，比如coco、或者 Pascal VOC形式的，在tools中有数据转化脚本

2、在配置文件中修改训练、验证数据集的根目录

3、启动训练

3.2 在3.1基础上更该为yolov6/7等算法，尝试如何切换算法

1、新创建配置文件，继承yolov6/7等算法

2、修改数据集目录

3、修改常见的训练参数

3.3 指标测试或者deploy的操作

将15_minutes_object_detection.md的操作部署文档执行一遍即可。