📑前言

Faster-RCNN 是一种经典的目标检测模型，广泛应用于计算机视觉任务，如目标检测和实例分割。它不仅性能优异，而且具备较高的检测精度。本文将手把手带领大家完成 Faster-RCNN 的训练与测试，介绍云服务器的配置、环境搭建以及模型的训练和测试流程，帮助读者快速上手使用 Faster-RCNN。

一、提前准备

在开始训练和测试 Faster-RCNN 模型之前，需要准备好以下工具和资源：

1. MobaXterm（远程连接服务器）：MobaXterm 是一款功能强大的 SSH 客户端，用于远程连接服务器并进行操作。您可以通过以下链接下载：
   • MobaXterm 官方下载链接
2. Faster-RCNN 源代码下载：提前准备好项目源码，可以通过压缩包的方式下载，并在后续步骤中上传至服务器。

二、云服务器平台的使用

为了运行 Faster-RCNN，首先需要一台具有 GPU 的云服务器。在本教程中，我们使用了丹摩智算平台，支持 4090 显卡的云实例进行部署和训练。

2.1 创建 GPU 实例

1. 创建实例：进入云服务器平台的控制台，点击创建实例。推荐选择 NVIDIA GeForce RTX 4090 显卡，该显卡提供 24GB 显存，可以高效地完成大规模深度学习任务。
2. 选择镜像：在实例配置中，选择 PyTorch 的预装镜像，以简化环境的安装流程。
3. 下载私钥：为了后续的免密登录操作，需要在创建实例时下载私钥文件，并将其保存到本地。
4. 连接服务器：实例创建成功后，可以使用 MobaXterm 通过 SSH 远程连接服务器。将提供的 SSH 命令（如 ssh -p 39763 root@cn-north-b.ssh.damodel.com）粘贴到 MobaXterm 中，成功连接后即可在远程服务器上进行操作。

2.2 图示

三、Faster-RCNN 环境配置

在成功登录云服务器后，需要进行环境的配置，以便运行 Faster-RCNN 模型。

3.1 上传并解压代码文件

首先，将本地下载的 Faster-RCNN 源代码上传到服务器的 /root/workspace/ 目录下。可以通过 MobaXterm 的 SFTP 界面拖动文件，或者使用 scp 命令上传。上传完成后，解压缩代码文件：

unzip mmdetection-3.3.0.zip

3.2 安装依赖

Faster-RCNN 的运行依赖多个 Python 库和框架，因此需要根据项目的需求安装必要的依赖包：

1. 安装 mmcv：

pip install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.1/index.html -i https://mirrors.aliyun.com/pypi/simple/

2. 从源码安装 mmdetection：

cd mmdetection-3.3.0
pip install -r requirements/build.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install -v -e ./ -i https://pypi.tuna.tsinghua.edu.cn/simple/

3. 安装其他依赖：

pip install numpy==1.24.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install setuptools==69.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install instaboostfast -i https://pypi.tuna.tsinghua.edu.cn/simple/

4. 安装全景分割和 LVIS 数据集依赖：

cd panopticapi
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/
cd ../lvis-api
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/

5. 安装 albumentations 库：

pip install -r requirements/albu.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install mmengine -i https://pypi.tuna.tsinghua.edu.cn/simple/

3.3 测试环境配置

环境配置完毕后，可以通过执行测试脚本验证是否成功：

python 1.py

如果没有报错，说明依赖环境安装成功。

四、COCOmini 数据集简介

Faster-RCNN 的训练通常使用 COCO 数据集，这里使用一个缩小版的 COCOmini 数据集进行演示。该数据集包含了多个类别的目标，具有多标签、多样性和复杂性等特点，适合用于目标检测和实例分割等任务。

COCO 数据集包含了 80 个常见物体类别，包括人类、动物、交通工具和家具等。每个图像中通常包含多个对象类别，带有精确的边界框和分割掩码。

五、Faster-RCNN 模型训练

5.1 开始训练

配置好环境并上传 COCOmini 数据集后，可以开始训练 Faster-RCNN 模型。由于代码已经过调试，训练过程十分简单，只需执行以下命令：

python ./tools/train.py ./checkpoints/faster-rcnn_r50_fpn_1x_coco.py

该命令会自动下载预训练权重，并开始训练。在训练过程中，您可以监控模型的损失值和精度变化，等待模型完成训练。

5.2 测试与保存结果

训练完成后，可以使用训练好的模型权重在测试数据集上进行推理，并保存预测结果。以下命令使用训练好的权重进行预测，并将结果保存至指定目录：

python tools/test.py ./checkpoints/faster-rcnn_r50_fpn_1x_coco.py ./checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth --show-dir /root/workspace/mmdetection-3.3.0/result/

部分预测结果将显示为图像，左侧展示真实物体的位置，右侧为模型预测的结果。

六、保存实验数据与下载

为了节省下次实验时的配置时间，建议将训练好的环境保存为镜像。前往控制台的 GPU 云实例页面，选择保存镜像。这样在下次使用时，可以直接加载保存的镜像，避免重复配置环境的过程。