一.开始
本文记录了在谷歌平台colab上使用mmdetV2.20训练自己的模型，包括具体流程和ipynb代码，使用colab的优点是价格较其他云平台较实惠，并且容易上手，缺点是存在限额，存在人机验证，每次最多使用24小时
二.修改并上传项目文件
出于方便修改的原因，我是在本地先下载mmdet项目，修改好具体代码，然后再上传到Google drive的。当然也可以在colab/drive中修改代码，不过稍微麻烦一点
1. 下载项目
到mmdet官网下载项目文件，本次项目选用了最新的V2.20
2. 制作coco数据集
制作自己的coco数据集，具体制作流程参考我之前发的文章，然后在mmdet项目下创建新文件夹data，将数据集放在里面，详细的信息如下图
3. 修改参数
需要修改的文件全部在config文件夹下，主要有两个文件夹
- configs/bash下的文件（定义基本的训练通用参数,重点!）
- configs/具体模型（使用什么模型就修改对应文件参数）
3.1. configs/_bash_需要修改的参数
（1）configs/ base /datasets/coco_detection.py
首先修改训练/测试时候的图片尺寸，我设置是640x640；其次修改训练/验证的batch_size，分别对应第二个图的samples_per_gpu和interval，我这里设置是16（这个看GPU的性能）
（2）configs/ base /models/cascade_rcnn_r50_fpn.py(或其他模型)
这一步主要是修改种类数，修改num_classes为自己的类别（不需要考虑背景+1，有几种就修改成几种），这里我的瑕疵类别有3种
（3）configs/ base /schedules/schedule_1x.py(schedule_2x.py)
修改训练的最大轮次max_epochs和学习率lr，主要是根据自己的训练要求来进行修改
（4）default_runtime.py
修改checkpoint_config的interval参数，这里设置为10的作用是：每10个epochs储存一次weights权值文件，设置大一点可以减少内存占用（cascade-rcnn模型每一个大概500M，跑200epochs如果不设置将会占用100G内存空间）
3.2. configs/具体模型_需要修改的参数
（1）不需要修改的模型类型
例如faster-rcnn和cascade-rcnn，特点是文件里面只有引用_bash_的代码
（2）需要修改的模型
例如yolov3就需要重新修改num_classes种类数/img_scale图片尺寸,特点是下面还附带一些代码
4. 上传项目
在Google Drive中先创建一个空的文件夹命名为mmdet（或者其他），之后在该文件下上传整个项目(Folder upload)，
至此项目修改完成，准备到colab中写代码运行项目
三.新建colab笔记本（mmdet.ipynb）
打开Colab，首先新建mmdet.ipynb笔记本，然后打开①修改，将笔记本设置为GPU模型，有条件升级为高RAM（Colba Pro功能），之后点击②连接到colab的虚拟机，然后开始输入代码进行训练，一般colab pro有更大的可能分到P100的显卡，普通用户可能是T4显卡或者K80。
笔记本中输入的代码如下（点击左上角+代码开始输入）：
1. 查看GPU
!nvidia-smi
2. 连接到自己的Google Drive
import os
from google.colab import drive
drive.mount('/content/drive')
3. 进入到Drive根目录
%cd /content/drive/
%cd My\ Drive/mmdet
4. 下载mmcv-full
切记要标注版本号，就是下面代码后面的cu111/torch1.10，不然下载很久很久，甚至卡住
!pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.10.0/index.html
5. 下载requirements需求文件
%cd mmdetection
!pip install cython && pip --no-cache-dir install -r requirements.txt
6. 编译文件
!python setup.py develop
7. 开始训练
根据自己需求添加–no-validate，这个代码含义是：训练过程中不进行验证，训练过程不验证可以在训练结束后，自己验证，将会加快训练。
!python tools/train.py configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py --no-validate
8. 中止后继续训练
如果训练中断，例如虚拟机到24小时自动断开，或者没有及时进行人机认证，都会导致断开虚拟机，这个时候需要重新进行1-6步，然后跳过第7步，执行第8步继续训练（-- auto-resume）
!python tools/train.py configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py --auto-resume --no-validate
四.结语
至此在colab使用mmdet训练模型的过程就结束了，可以根据自己需求选择开通colab pro或者pro+这样训练资源更多。