以下鏈接是個人關於detectron2（目標檢測框架），所有見解，如有錯誤歡迎大家指出，我會第一時間糾正。有興趣的朋友可以加微信：a944284742相互討論技術。若是幫助到了你什麼，一定要記得點贊！因爲這是對我最大的鼓勵。
detectron2（目標檢測框架）無死角玩轉-00：目錄
前言
通過前面的博客，我們知道如何去使用官方已經訓練好的模型，接下來當然是訓練自己的模型唄，爲了驗證流程的正確，我們先使用coco數據集進行訓練，因爲這也是官方默認支持的數據集，比較容易操控，那麼我們就開始吧
數據集下載及擺放
首先我們閱讀datasets/README.md的，可以看大如下：
根據上面的提示，擺放好下載的數據集，本然擺放如下
datasets
--coco
--annotations
--train2017
--val2017
如果你僅僅是想隨便測試一下，可以通過執行./prepare_for_tests.sh下載一個小版本的數據集，本人測試是下載了所有數據集。
上面的數據集，是實力分割的，如果我們先測試語義分割：
先按上面的要求的安裝panopticapi ：
pip install git+https://github.com/cocodataset/panopticapi.git
然後再運行prepare_panoptic_fpn.py。當然我們先要去下載coco對應的panoptic數據集，並且擺放好。後面的LVIS， cityscapes， Pascal VOC 數據集也是同樣的原理，按照要求擺放即可。這裏就不做過多的介紹了，總得來說，就是detectron2支持很多數據集的格式。下面我們來開始訓練coco數據集把。
訓練coco數據集
我們回到detectron2/GETTING_STARTED.md，可以看到：
根據上面的提示，本人在一個GPU上進行訓，執行如下：
python tools/train_net.py \
--num-gpus 1 \
--config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025
然後在會生成output目錄顯示如下，存在如下文件：
等待訓練完成之後，模型也會保存到這裏，如果我們想訓練不同的模型，我們只需要配置–config-file對應的 yaml 文件即可，比如我想訓練 retina 的檢測檢測網絡，則只需要執行如下指令即可：
python tools/train_net.py \
--num-gpus 2 \
--config-file configs/COCO-Detection/retinanet_R_50_FPN_3x.yaml SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025
模型訓練的方式知道，那麼我們總需要知道我們的模型的效果究竟如何，也就是對模型進行評估。
模型評估
我們繼續閱讀detectron2/GETTING_STARTED.md，可以看到
在測試之前呢，我已經通過以下鏈接下載好了一個模型：
https://github.com/facebookresearch/detectron2/blob/master/MODEL_ZOO.md
當然，你也可以使用自己訓練好的模型，下載好模型之後，本人存放在如下位置，
那麼本人需要執行的指令爲：
python tools/train_net.py \
--config-file configs/COCO-Detection/retinanet_R_50_FPN_3x.yaml \
--eval-only \
MODEL.WEIGHTS offimodel/model_final_4cafe0.pkl
大家要注意的是，對於SOLVER.IMS_PER_BATCH，MODEL.WEIGHTS這樣的參數，我們必須寫在末尾。還有就是我們可以發現，對於模型的評估，指定checkpoint文件的路徑以及pkl文件的路徑都是可以的。運行之後，本人打印如下：
可以看到訓練的結果還是很好的。
結語
現在，我們已經知道如何去訓練官方的coco數據集，那麼接接下來我們就去訓練自己的數據，今天是小年哈，祝大家2020年擡頭不見bug，低頭就見姑娘。對象總比bug多！！