Anomalib(7)：使用配置文件训练自己的数据集

       在我初步尝试使用Anomalib训练了MVTecAD数据集和我自己的一个数据集后，我产生了这样一个困惑：每次训练我都要输入一些参数，例如：

anomalib train --data classification-depth.yaml --model anomalib.models.Patchcore --task CLASSIFICATION

        这样每次输入一长串指令有些不方便。并且随着使用的深入和对模型了解的加深，我想要调节模型的一些参数，这时我就不得不翻阅模型的文档查看参数说明，并在指令中通过输入参数来进行设置。

        怎么能够快速的对模型的所有参数完成配置呢？                

        其实在Anomalib的主页中已经给出了答案，只不过我当时没有弄懂。当我第一次学习使用Anomalib进行训练时，在它的主页上是这样提示的：

# Get help about the training arguments, run:
anomalib train -h

# Train by using the default values.
anomalib train --model Patchcore --data anomalib.data.MVTec

# Train by overriding arguments.
anomalib train --model Patchcore --data anomalib.data.MVTec --data.category transistor

# Train by using a config file.
anomalib train --config <path/to/config>

        第一种当然很容易的运行起来了，会自动的下载模型和数据集；

        第二种也很好理解，当默认参数不能满足你的需求的时候，你可以输入一些参数，来覆盖掉默认的参数；

        但是当我最开始使用Anomalib时，我不知道第三种的config文件在哪里。其实在每次进行训练时，Anomalib都会自动的保存测试集的推理结果、模型和config文件，就在root/results/<model name>/<dataset name>/<version>/config.yaml。

        配置文件的内容包括：

# anomalib==1.1.0
seed_everything: true
trainer:
  accelerator: auto
  strategy: auto
  devices: 1
  num_nodes: 1
  precision: null
  logger: null
  callbacks: null
  fast_dev_run: false
  max_epochs: null
  min_epochs: null
  max_steps: -1
  min_steps: null
  max_time: null
  limit_train_batches: null
  limit_val_batches: null
  limit_test_batches: null
  limit_predict_batches: null
  overfit_batches: 0.0
  val_check_interval: null
  check_val_every_n_epoch: 1
  num_sanity_val_steps: null
  log_every_n_steps: null
  enable_checkpointing: null
  enable_progress_bar: null
  enable_model_summary: null
  accumulate_grad_batches: 1
  gradient_clip_val: null
  gradient_clip_algorithm: null
  deterministic: null
  benchmark: null
  inference_mode: true
  use_distributed_sampler: true
  profiler: null
  detect_anomaly: false
  barebones: false
  plugins: null
  sync_batchnorm: false
  reload_dataloaders_every_n_epochs: 0
normalization:
  normalization_method: MIN_MAX
task: CLASSIFICATION
metrics:
  image:
  - F1Score
  - AUROC
  pixel: null
  threshold:
    class_path: anomalib.metrics.F1AdaptiveThreshold
    init_args:
      default_value: 0.5
      thresholds: null
      ignore_index: null
      validate_args: true
      compute_on_cpu: false
      dist_sync_on_step: false
      sync_on_compute: true
      compute_with_cache: true
logging:
  log_graph: false
default_root_dir: results
ckpt_path: null
data:
  class_path: anomalib.data.Folder
  init_args:
    name: JY-Depth-Fusion
    normal_dir: train/OK
    root: datasets/dataset3-depth-rectify/
    abnormal_dir: '[''test/DK'', ''test/JY'']'
    normal_test_dir: test/OK
    mask_dir: null
    normal_split_ratio: 0.0
    extensions:
    - .png
    train_batch_size: 16
    eval_batch_size: 16
    num_workers: 8
    image_size:
    - 224
    - 224
    transform: null
    train_transform: null
    eval_transform: null
    test_split_mode: from_dir
    test_split_ratio: 0
    val_split_mode: same_as_test
    val_split_ratio: 0
    seed: null
model:
  class_path: anomalib.models.Patchcore
  init_args:
    backbone: wide_resnet50_2
    layers:
    - layer2
    - layer3
    pre_trained: true
    coreset_sampling_ratio: 0.02
    num_neighbors: 9

        可以看到，主要有trainer，normalization，task，metrics，logging，data，model几大部分，这样一来，我们就不必去写输入参数了，还可以一目了然的看到所有参数的配置情况。那么我们只需要把配置文件中的参数设置好，然后简单的一行指令即可完成训练啦！

anomalib train --config <path/to/config>

        使用这种配置文件的形式去训练自己的数据集，只需要按照我这篇博客Win11+docker+vscode配置anomalib并训练自己的数据（3）_anomalib训练自己的数据集-CSDN博客中的方法去修改data部分的参数即可。我前文所贴出来的config文件就是我修改好的。