训练DAMO-YOLO（damoyolo_tinynasL25_S.py）

参考链接

• 官方代码：DAMO-YOLO
• DAMO-YOLO最强操作教程.我的这博文不算很详细，可以去看看这篇博文的视频链接。但我的博文也就是少了配置虚拟环境的步骤，其实如果已经配置好了YOLO相关的虚拟环境，跟着我来应该是能跑通的

1 准备数据

1.1 转为COCO格式

• 参考我的另一篇博客：将YOLO数据集转成COCO格式，单个文件夹转为单个json文件，例如…/images/train转为instance_train.json

1.2 指明数据路径

在damo/config/paths_catalog.py进行修改

2 设置训练配置文件，在configs/damoyolo_tinynasL25_S.py进行如下两块修改

在configs/damoyolo_tinynasL25_S.py进行如下两块修改

2.1 关于训练参数的设置

右侧的base.py在damo/config/base.py

        self.train.batch_size = 2   # 训练时的batchsize
        self.train.total_epochs = 300   # 训练的总轮数
        # self.train.finetune_path = ''   # 如果要加上预训练权重，就下载了然后指明位置
        self.test.batch_size = 4    # 是训练时候的2倍，但是我在想在训练完之后进行测试时，是不是应该改为1
        self.miscs.num_workers = 0  # windows下设置为0
        self.miscs.output_dir = './workdirs'    # 训练完后保存的目录
        self.miscs.exp_name = 'DAMO-YOLOs'      # 自定义文件名

2.2 根据自己数据集设置

3 开始训练

python -m torch.distributed.launch --nproc_per_node=1 tools/train.py -f configs/damoyolo_tinynasL25_S.py

• 可以像下图一样，直接设置好配置文件的绝对路径，肯定不会出现找不到配置文件的错误

• 这个-m torch.distributed.launch --nproc_per_node=1是用来设置多卡训练的，必须要带上才能正常运行起来，因此我在调试的时候多有不便，亲测这个博客很有用，如果有需要可以参考：Pycharm 调试debug torch.distributed.launch
  • 兴许这个博客也能有用，暂存一下：DAMOYOLO windows 单卡训练

4 调用tools/eval.py进行测试

官方示例：

python -m torch.distributed.launch --nproc_per_node=1 tools/eval.py -f configs/damoyolo_tinynasL25_S.py --ckpt /path/to/your/damoyolo_tinynasL25_S.pth

• 感觉DAMO-YOLO跟YOLOX的代码很像，所以在eval.py中还设置了--conf 0.001 --nms 0.5 --tsize 640，另外，验证时batchsize应该设置为1，因此在configs/damoyolo_tinynasL25_S.py中设置self.test.batch_size = 1（但是测试完之后，就改回为self.train.batch_size的两倍吧）

• 直接按照上面命令运行的话，是会对val数据集进行验证，所以如果需要对test数据集进行验证的话，就按照下图在damo/config/paths_catalog.py里进行更改

5 训练时可能遇到的报错

5.1 RuntimeError: Distributed package doesn’t have NCCL built in

解决方法：会出现这个错，是因为在Windows上跑的，那么只要在tools/train.py中定位到backend='nccl'，然后把nccl改为gloo即可

5.2 ModuleNotFoundError: No module named ‘damo.base_models.core’

解决方法：会出现这报错，是因为程序没有根据找到damo包的位置，其实就是代码写得有点奇怪然后没有找到路径。只要把tools/train.py复制到根目录下，然后运行就可以了