参考博客：mmFewShot框架的配置、使用和训练-CSDN博客

一、配置环境

1、代码下载链接：open-mmlab/mmfewshot: OpenMMLab FewShot Learning Toolbox and Benchmark (github.com)

 2、创建环境

conda create -n mmfewshot python=3.7 #创建名为mmfewshot的环境
conda activate mmfewshot #激活环境

3、pytorch安装

这里我安装的是torch1.11.0 + cuda11.3

pytorch官网链接：PyTorch

conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch

4、mmfewshot框架环境配置

注意：这里最好依次安装，因为包之间有版本依赖，官方一步到位安装方式，很大概率后续跑代码会出错。

依次安装mmcv-full、mmcls、mmdet、mmfewshot，注意mmcv-full、mmcls、mmdet之间相互有依赖，安装不准确，后续跑代码会出现问题。以下安装版本亲测可用

pip install mmcv-full==1.6.0 mmcls==0.23.2 mmdet==2.25.0 mmfewshot==0.1.0

 注意：安装好mmfewshot之后，修改anaconda/envs/{所配置的环境名称} 的mmfewshot/detection/voc.py的类别为自己的类别，不改后续有可能出现所有类别AP为0的情况

5、其他包安装

cd到mmfewshot-main代码文件夹下，安装requirements.txt中相关包

cd mmfewshot-main
pip install -r requirements/build.txt

二、数据集准备

（1）本人数据集配置：总共3个类别，其中taoguan和naizhangxianjia为基类，birdnest为新类

（2）数据集结构说明：

data/few_shot_ann/voc/benchmark_{实例数量}shot 下储存第二阶段迁移训练图像 txt文件，文件名称命名为 box_{实例数量}shot_{类别名称}_train.txt ；

data/VOCdevkit/VOC2007/Annotations下储存所有图像xml格式标签文件（所有=基类+新类）；data/VOCdevkit/VOC2007/ImageSets/Main储存所有图像训练、验证、测试txt文件；

data/VOCdevkit/VOC2007/JPEGImages下储存所有图像

三、数据集训练与测试（以FSCE模型为例）

（1）基础训练

配置好环境，准备好数据集后开始修改代码

修改mmfewshot/detection/datasets/voc.py中类别为自己的类别

注意：如果新类只有一个类别的话 ，需要写两次，不然后面会出现 keyword：xxx not in classes 的报错（也有不写两次的其他解决方法，但是从debug的结果来看，这个比较方便）

修改configs/detection/_base_/datasets/fine_tune_based/base_voc.py

data_root为自定义数据集根目录，samples_per_gpu为batchsize参数，修改ann_file路径

修改configs/detection/_base_/models/faster_rcnn_r50_caffe_fpn.py中num_classes为所有类别数

修改configs/detection/fsce/fsce_r101_fpn.py中num_classes和scale为所有类别数量

修改configs/detection/fsce/voc/split1/fsce_r101_fpn_voc_split1_base_training.py中max_iter迭代次数、num_classes为基类数量

开始训练：修改tools/detection/train.py

修改config为上一步的py文件路径，work-dir为训练日志储存路径，gpus为采用多少gpu进行训练，修改后运行

基础训练完毕后在上一步work-dir参数指定路径中产生latest.pth文件

（2）检测头初始化

修改tools/detection/misc/initialize_bbox_head.py文件中voc_tar_size为所有类别数量，src1为上一步latest.pth文件路径，save-dir为转换后权重储存路径，method为权重初始化方法，这里选择random-init

修改后运行，得到base_model_random_init_bbox_head.pth文件

（3）迁移训练

这里以10shot为例

修改configs/detection/_base_/datasets/fine_tune_based/few_shot_voc.py

data_root为自定义数据集根目录，samples_per_gpu为batchsize参数，修改ann_file路径

修改configs/detection/fsce/voc/split1/fsce_r101_fpn_voc_split1_10shot_-fine-tuning.py

修改lr学习率、max-iter迭代次数、load_from为转换后得到的base_model_random_init_bbox_head.pth权重文件路径

开始训练：修改tools/detection/train.py

修改config为上一步的py文件路径，work-dir为训练日志储存路径，gpus为采用多少gpu进行训练，修改后运行

得到结果

（4）结果可视化

修改inference.py文件

通过网盘分享的文件：inference.py
链接: https://pan.baidu.com/s/1IequyBZaBdpnGQ2IQAJ59g 提取码: 1234

input为储存可视化图像文件夹路径，output为输出的可视化图像储存文件夹，config为迁移训练中tools/detection/train.py所用config，checkpoint为第二阶段训练完成所生成的latest.pth文件，show-score-thr为锚框显示阈值（锚框大于该值则在图像中显示）

以上为所有内容。