皮皮网

1.使用mmdeploy部署rtmdet ins做实例分割
2.mmdetection训练自己的源码数据集(详细)

使用mmdeploy部署rtmdet ins做实例分割

       在尝试使用mmdeploy部署rtmdet ins进行实例分割时，发现网上资源较少，编译github的源码问题也有不少未解决，只得自己动手，编译留作档案。源码

       构建时需严格遵循源代码构建流程，编译源码购买源码从下载到构建，源码避免第三方库问题。编译

       ppl.cv不支持cuda，源码构建时需在cuda.cmake中设置与自己显卡对应的编译flag。

       使用了最新版的源码tensorrt和cudnn，版本对运行结果影响不大，编译但确保环境变量已正确设置。源码

       安装mmcv时需注意版本，编译应使用大于2.0.0、源码小于2.2.0的版本，直接按照教程安装易导致版本2.3.0，虚拟货币app源码mmdet会报错，我选择安装2.1.0版本。

       在使用中需注意cuda版本，选择.x版本最为合适。

       因为mmdeploy需要nvcc进行编译，所以本地的cuda toolkit也应安装。我忽视了这一点，nvcc编译可以正常通过，指维系统源码但在运行时在trt nms处出现错误。

       在修改permuteData.cu文件后，发现问题是由于sm_不兼容（我的显卡是，查看主机cuda版本是否支持）。吐槽的是，即使卸载过cuda导致nvcc版本为.1，编译也能通过！

       如果你的云转码直播源码cuda版本高于.x，请修改zsh/bash指定版本，先执行，再添加到环境变量。

       在模型转换时，需要将mmdetection的_base_文件夹导入到mmdeploy的_base_中，将mmdetection的/config/rtmdet导入到mmdeploy的/config中，否则会找不到type。

mmdetection训练自己的穿越皇朝游戏源码数据集(详细)

       在使用mmdetection训练自己的数据集的过程中，首先需要准备数据集并确保其格式与yolov3兼容。数据集应遵循特定目录结构，包括mmdetection目录、data目录、VOCdevkit子目录、VOC子目录、Annotations子目录、ImageSets子目录以及Main子目录，并在Main子目录中包含train.txt、test.txt等文件以及JEPGImages子目录。

       接下来，进行环境准备和源码下载。确认GCC版本大于5，然后安装MMCV。接着，下载源码并执行环境编译。

       进行参数修改以适应自定义数据集。修改mmdetection/configs/_base_/datasets/voc.py、mmdetection/mmdet/datasets/voc.py、mmdetection/mmdet/core/evaluation/class_names.py以及mmdetection/configs/faster_rcnn/faster_rcnn_r_fpn_1x_coco.py等关键文件，确保它们与自定义数据集兼容。如果数据集中的格式非jpg，还需对mmdetection/mmdet/datasets/xml_style.py进行相应修改。

       最后，执行训练和测试操作。训练模型时，生成的模型将存放在mmdetection/work_dirs目录下。进行模型测试，首先运行相应的命令，然后根据需要修改mmdetection/mmdet/apis/inference.py文件以生成模型测试。测试结果将保存在/demo目录中。

       以上步骤提供了一个基于mmdetection框架训练自定义数据集的完整流程，确保了从环境准备、数据集格式化、参数调整到模型训练和测试的每个关键环节都能顺利进行。通过遵循上述指南，开发者可以有效利用mmdetection实现自定义数据集的训练，从而推动目标检测任务的定制化和优化。