mmclassification 训练自定义数据

1 mmclassification 安装

        如果环境已安装mmclassification，请跳过该步骤。mmclassification框架安装与调试验证请参考博客：mmclassification安装与调试_Coding的叶子的博客-CSDN博客_mmclassification 安装。

2 数据集准备

        mmclassification 的数据集目录主要由标注文件和图片样本组成，其中标注文件存储在meta文件夹中，图片样本存在train、val、test文件夹下，即分别是用于训练、验证和测试的图片样本。图片样本文件按照类别存储在train、val、test文件夹下，同一类别图片存储在同一个子文件夹中，子文件夹的名称为图片所属类别名称。

        meta文件夹中主要包含了train.txt、val.txt和test.txt文件。txt文件中的每一行分别存储了图片样本路径和类别id，如下图所示。

        如果没有meta标注文件，请参考博客：mmclassification 标注文件生成_Coding的叶子的博客-CSDN博客，生成meta文件夹及其文件夹下的txt文件。

         本文示例数据来源于minist手写字体可视化数据集，已按照train、test文件夹进行存储，下载地址为：minist手写数字可视化数据集-深度学习文档类资源-CSDN下载。

        将下载的数据集文件夹名称重名为Minist，并且mmclassification工程目录下新建data文件夹，将数据集放到data文件夹下即可。数据集的存储路径不限，需要在下方3.3节中配置相应的路径即可。

3 自定义数据集

3.1 新建MyDataset

        在mmclassification工程目录下的mmcls/datasets/新建mydataset.py文件，自定义数据加载类MyDataset，文件名称mydataset和类名称MyDataset可以自行更改。mydataset.py文件中的内容如下： 

# -*- coding: utf-8 -*-
"""
乐乐感知学堂公众号
@author: https://blog.csdn.net/suiyingy
"""

import numpy as np

from .builder import DATASETS
from .base_dataset import BaseDataset



@DATASETS.register_module()
class MyDataset(BaseDataset):

    def load_annotations(self):
        assert isinstance(self.ann_file, str)

        data_infos = []
        with open(self.ann_file) as f:
            samples = [x.strip().split(' ') for x in f.readlines()]
            for filename, gt_label in samples:
                info = {'img_prefix': self.data_prefix}
                info['img_info'] = {'filename': filename}
                info['gt_label'] = np.array(gt_label, dtype=np.int64)
                data_infos.append(info)
            return data_infos

 3.2 将MyDataset注册到mmclassification框架

        在mmcls/datasets/__init__.py文件中增加上面定义的类MyDataset，如下图所示：

 3.3 新建数据集配置文件

        在mmclassification工程目录configs/_base_/datasets/文件夹下，新建mydataset.py文件，主要用于设置数据集类型、数据增强方式、batch size (samples_per_gpu)、数据集路径和标注文件路径、模型保存周期(interval)。文件内容如下所示：

# -*- coding: utf-8 -*-
"""
乐乐感知学堂公众号
@author: https://blog.csdn.net/suiyingy
"""
dataset_type = 'MyDataset'
classes = ['cat', 'bird', 'dog']  # The category names of your dataset

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='RandomResizedCrop', size=224),
    dict(type='RandomFlip', flip_prob=0.5, direction='horizontal'),
    dict(type='Normalize', **img_norm_cfg),
    dict(type='ImageToTensor', keys=['img']),
    dict(type='ToTensor', keys=['gt_label']),
    dict(type='Collect', keys=['img', 'gt_label'])
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='Resize', size=(256, -1)),
    dict(type='CenterCrop', crop_size=224),
    dict(type='Normalize', **img_norm_cfg),
    dict(type='ImageToTensor', keys=['img']),
    dict(type='Collect', keys=['img'])
]

data = dict(
    train=dict(
        type=dataset_type,
        data_prefix='data/Minist/train',
        ann_file='data/Minist/meta/train.txt',
        classes=classes,
        pipeline=train_pipeline
    ),
    val=dict(
        type=dataset_type,
        data_prefix='data/Minist/test',
        ann_file='data/Minist/meta/test.txt',
        classes=classes,
        pipeline=test_pipeline
    ),
    test=dict(
        type=dataset_type,
        data_prefix='data/Minist/test',
        ann_file='data/Minist/meta/test.txt',
        classes=classes,
        pipeline=test_pipeline
    )
)
evaluation = dict(interval=1, metric='accuracy')

4 修改configs模型配置文件

        以configs/resnet/resnet18_8xb16_cifar10.py配置文件为例，mmclassification的配置文件通常包含以下4个部分：

_base_ = [
    '../_base_/models/resnet18_cifar.py', '../_base_/datasets/cifar10_bs16.py',
    '../_base_/schedules/cifar10_bs128.py', '../_base_/default_runtime.py'
]

        ../_base_/models/resnet18_cifar.py：定义模型参数，主要包括主干网络、neck、head和类别数量。

        ../_base_/datasets/cifar10_bs16.py：定义数据集增强方式和路径，也就是3.3节的配置文件，bs16表示batch size为16，即samples_per_gpu=16。

        ../_base_/schedules/cifar10_bs128.py：定义训练参数，主要包括优化器、学习率、训练总epoch数量。

        ../_base_/default_runtime.py：定义运行参数，主要包括模型保存周期、日志输出周期等。

        configs主要修改的地方为数据配置文件，即把 '../_base_/datasets/cifar10_bs16.py'更换成3.3节中的配置文件'../_base_/datasets/mydataset.py'。即：

5 运行训练程序

        mmcls基本的训练命令为：

python tools/train.py 模型配置文件

        示例：

python tools/train.py configs/resnet/resnet18_8xb16_cifar10.py

        这里已经把resnet18_8xb16_cifar10.py文件按照第4节进行了修改。

6 运行结果

 7 【python三维深度学习】python三维点云从基础到深度学习_Coding的叶子的博客-CSDN博客_python 三维点云

更多三维、二维感知算法和金融量化分析算法请关注“乐乐感知学堂”微信公众号，并将持续进行更新。