MMDetection学习笔记-03config配置文件

最新推荐文章于 2024-04-17 13:25:35 发布
最新推荐文章于 2024-04-17 13:25:35 发布
阅读量1.3k 收藏 4
点赞数 2
分类专栏： MMDetection 文章标签： pytorch 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qiufeng886/article/details/120091380
版权

config是MMXXXX系列中的重点，可以用一个config文件跑所有的程序。这样处理的原因是参数过多。不只是因为模型参数多，选取的优化器，lr的各种变化，数据如何处理…等一堆参数。每次修改的时候，都不可能跑到源码中修改，那么一个config文件把这些所有的参数都写到一个文件中，然后程序一键构建。
config中的aaa.py文件常常索引了其他xxx1.py文件为base，并对其中部分参数进行修改。当我们查看文件xxx1.py时候，可发现xxx1.py又索引了xxx2.py文件。这样的索引可能会嵌套好多次。
举例说明：

faster_rcnn_r50_fpn_ciou_1x_coco.py 的 "_base_ = './faster_rcnn_r50_fpn_1x_coco.py'"
faster_rcnn_r50_fpn_1x_coco.py中的" 
_base_ = [
    '../_base_/models/faster_rcnn_r50_fpn.py',
    '../_base_/datasets/coco_detection.py',
    '../_base_/schedules/schedule_1x.py', '../_base_/default_runtime.py'
]"

| 在这里插入图片描述
| 在这里插入图片描述
|
config由三部分组成：
在这里插入图片描述

./tools/misc/print_config.py 可以查看config目录下某个配置文件的所有索引内容。

# 通过下面的命令可以查看./configs/fast_rcnn/fast_rcnn_r101_fpn_1x_coco.py 所有的配置信息
(mmdetection) lenovo@lenovo:/media/lenovo/document/Code/mmdetection$ python tools/misc/print_config.py ./configs/fast_rcnn/fast_rcnn_r101_fpn_1x_coco.py 
#
#下面显示的内容是查看的结果
#初学者不知道原始嵌套的文件的信息，需要使用这个命令来看完整信息，然后再研究。
#**model是最重要，也是最难的**。config一定是字典，类似于下面的实例。
#模型的实际创建是非常复杂的，但为了便于理解，可以这样考虑：
""
	backbone=dict(
        type='ResNet',
    中的type可以索引到/mmdetection/mmdet/models/backbones/__init__.py中声明的ResNet
  我们可以根据实际需要修改其中一些参数。
""
#使用Python生成的文本是没有注释的。为了便于理解，增加注释部分
Config:
model = dict(
    type='FastRCNN',
    backbone=dict(#不同config文件的内容也不相同，要根据具体的模型来定。这里以backbone为例，进行讲解。
        type='ResNet',#在./mmdet/models/__init__.py文件中有声明。可以自定义一个，但如果使用自定义，就必须重新编译一遍。
        #下面这些参数是传递到./mmdet/models/backbones/resnet.py 的def __init__(......)函数中进行类初始化的。
        depth=101,#可以按照需要改成50,60,3000......
        num_stages=4,
        out_indices=(0, 1, 2, 3),
        frozen_stages=1,
        norm_cfg=dict(type='BN', requires_grad=True),
        norm_eval=True,
        style='pytorch',
        init_cfg=dict(type='Pretrained',
                      checkpoint='torchvision://resnet101')),
    neck=dict(
        type='FPN',
        in_channels=[256, 512, 1024, 2048],
        out_channels=256,
        num_outs=5),
    roi_head=dict(
        type='StandardRoIHead',
        bbox_roi_extractor=dict(
            type='SingleRoIExtractor',
            roi_layer=dict(type='RoIAlign', output_size=7, sampling_ratio=0),
            out_channels=256,
            featmap_strides=[4, 8, 16, 32]),
        bbox_head=dict(
            type='Shared2FCBBoxHead',
            in_channels=256,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=80,#这里是80个分类。如果我们的监测目标是100，可以改成101
            bbox_coder=dict(
                type='DeltaXYWHBBoxCoder',
                target_means=[0.0, 0.0, 0.0, 0.0],
                target_stds=[0.1, 0.1, 0.2, 0.2]),
            reg_class_agnostic=False,
            loss_cls=dict(
                type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
            loss_bbox=dict(type='L1Loss', loss_weight=1.0))),
    train_cfg=dict(
        rcnn=dict(
            assigner=dict(
                type='MaxIoUAssigner',
                pos_iou_thr=0.5,
                neg_iou_thr=0.5,
                min_pos_iou=0.5,
                match_low_quality=False,
                ignore_iof_thr=-1),
            sampler=dict(
                type='RandomSampler',
                num=512,
                pos_fraction=0.25,
                neg_pos_ub=-1,
                add_gt_as_proposals=True),
            pos_weight=-1,
            debug=False)),
    test_cfg=dict(
        rcnn=dict(
            score_thr=0.05,
            nms=dict(type='nms', iou_threshold=0.5),
            max_per_img=100)))

######################################
#下面内容是值，要用于传递给data = dict(......)
dataset_type = 'CocoDataset'
data_root = 'data/coco/'
img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadProposals', num_max_proposals=2000),
    dict(type='LoadAnnotations', with_bbox=True),
    dict(type='Resize', img_scale=(1333, 800), keep_ratio=True),
    dict(type='RandomFlip', flip_ratio=0.5),
    dict(
        type='Normalize',
        mean=[123.675, 116.28, 103.53],
        std=[58.395, 57.12, 57.375],
        to_rgb=True),
    dict(type='Pad', size_divisor=32),
    dict(type='DefaultFormatBundle'),
    dict(type='Collect', keys=['img', 'proposals', 'gt_bboxes', 'gt_labels'])
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadProposals', num_max_proposals=None),
    dict(
        type='MultiScaleFlipAug',
        img_scale=(1333, 800),
        flip=False,
        transforms=[
            dict(type='Resize', keep_ratio=True),
            dict(type='RandomFlip'),
            dict(
                type='Normalize',
                mean=[123.675, 116.28, 103.53],
                std=[58.395, 57.12, 57.375],
                to_rgb=True),
            dict(type='Pad', size_divisor=32),
            dict(type='ImageToTensor', keys=['img']),
            dict(type='ToTensor', keys=['proposals']),
            dict(
                type='ToDataContainer',
                fields=[dict(key='proposals', stack=False)]),
            dict(type='Collect', keys=['img', 'proposals'])
        ])
]
######################################
# 数据类型与数据路径 
data = dict(
    samples_per_gpu=2, #batch size of each GPU. 本质就是dataload的batchsize
    workers_per_gpu=2, #How many subprocess to use for data loading for each GPU
    #上面两个参数正常是不需要更改的
    train=dict(
        type='CocoDataset',#数据类型，同dataset_type。 在./mmdet/datasets/__init__.py文件中有登记。可以在./mmdet/datasets/class CocoDataset(CustomDataset)中查看具体的参数
        ann_file='data/coco/annotations/instances_train2017.json',#标注文件的路径。可以在这个json文件中写出绝对路径，也可以用下面的那个img_prefix写出来
        img_prefix='data/coco/train2017/',#标注文件的前缀
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='LoadProposals', num_max_proposals=2000),
            dict(type='LoadAnnotations', with_bbox=True),
            dict(type='Resize', img_scale=(1333, 800), keep_ratio=True),
            dict(type='RandomFlip', flip_ratio=0.5),
            dict(
                type='Normalize',
                mean=[123.675, 116.28, 103.53],
                std=[58.395, 57.12, 57.375],
                to_rgb=True),
            dict(type='Pad', size_divisor=32),
            dict(type='DefaultFormatBundle'),
            dict(
                type='Collect',
                keys=['img', 'proposals', 'gt_bboxes', 'gt_labels'])
        ],
        proposal_file='data/coco/proposals/rpn_r50_fpn_1x_train2017.pkl'),
    val=dict(
        type='CocoDataset',
        ann_file='data/coco/annotations/instances_val2017.json',
        img_prefix='data/coco/val2017/',
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='LoadProposals', num_max_proposals=None),
            dict(
                type='MultiScaleFlipAug',
                img_scale=(1333, 800),
                flip=False,
                transforms=[
                    dict(type='Resize', keep_ratio=True),
                    dict(type='RandomFlip'),
                    dict(
                        type='Normalize',
                        mean=[123.675, 116.28, 103.53],
                        std=[58.395, 57.12, 57.375],
                        to_rgb=True),
                    dict(type='Pad', size_divisor=32),
                    dict(type='ImageToTensor', keys=['img']),
                    dict(type='ToTensor', keys=['proposals']),
                    dict(
                        type='ToDataContainer',
                        fields=[dict(key='proposals', stack=False)]),
                    dict(type='Collect', keys=['img', 'proposals'])
                ])
        ],
        proposal_file='data/coco/proposals/rpn_r50_fpn_1x_val2017.pkl'),
    test=dict(
        type='CocoDataset',
        ann_file='data/coco/annotations/instances_val2017.json',
        img_prefix='data/coco/val2017/',
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='LoadProposals', num_max_proposals=None),
            dict(
                type='MultiScaleFlipAug',
                img_scale=(1333, 800),
                flip=False,
                transforms=[
                    dict(type='Resize', keep_ratio=True),
                    dict(type='RandomFlip'),
                    dict(
                        type='Normalize',
                        mean=[123.675, 116.28, 103.53],
                        std=[58.395, 57.12, 57.375],
                        to_rgb=True),
                    dict(type='Pad', size_divisor=32),
                    dict(type='ImageToTensor', keys=['img']),
                    dict(type='ToTensor', keys=['proposals']),
                    dict(
                        type='ToDataContainer',
                        fields=[dict(key='proposals', stack=False)]),
                    dict(type='Collect', keys=['img', 'proposals'])
                ])
        ],
        proposal_file='data/coco/proposals/rpn_r50_fpn_1x_val2017.pkl'))
evaluation = dict(interval=1, metric='bbox')


#####################################
#下面是schedule的内容
##规定了优化器，学习率......等一堆参数。
optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
lr_config = dict(
    policy='step',
    warmup='linear',
    warmup_iters=500,
    warmup_ratio=0.001,
    step=[8, 11])
   
runner = dict(type='EpochBasedRunner', max_epochs=12) #训练总周期
checkpoint_config = dict(interval=1) #保存checkpoints的间隔。checkpoints保存了训练中的数据
log_config = dict(interval=50, hooks=[dict(type='TextLoggerHook')]) #打印log文件的间隔
custom_hooks = [dict(type='NumClassCheckHook')]
dist_params = dict(backend='nccl')
log_level = 'INFO'
load_from = None #加载参数
resume_from = None #重新加载（包含epoch等信息，会覆盖load_from）
workflow = [('train', 1)] #工作流train，val，test。

在这里插入图片描述
官方声明了这些模型，如果自己添加模型的话，那么需要重新编译一遍
init.py文件中声明了这些模型。如果自己添加自定义模型的话，那么需要重新编译一遍。

文档内容是无论如何都没法把所有内容写全的，所以需要自己经常查看源码。

www5599667788
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
config配置文件
11-23
config配置文件
CONFIG文件
08-09
win7 conf 文件win7 conf 文件win7 conf 文件win7 conf 文件
【转载】MMDetection学习配置文件
最新发布
Mickey的博客
04-17 160
声明：该文章转载于MMDetection官方文档，供方便浏览和自用。
mmdetection之config文件
weixin_45912366的博客
04-11 6524
1 config配置文件 MMDetection已经实现的配置文件都位于./configs文件夹下，配置文件都按照统一的规则命名，具体段的含义可以去官方文档自行查阅。 #命名规则 {model}_[model setting]_{backbone}_{neck}_[norm setting]_[misc]_[gpu x batch_per_gpu]_{schedule}_{dataset} #其中各个字段的含义 {model}： 模型种类，例如faster_rcnn,mask_rcnn等...
MMDetection——config参数理解
阿基美德的博客
07-10 1659
1 config参数理解 以faster_rcnn_r50_fpn_1x_coco.py为例，简要介绍各项参数含义 2faster_rcnn_r50_fpn_1x_coco.py配置文件 _base_ = [ '../_base_/models/faster_rcnn_r50_fpn.py', # 模型设置 '../_base_/datasets/coco_detection.py', # 数据集设置 '../_base_/schedules/schedule_1x.py'.
mmdetection SUN RGB-D数据集Python预处理程序
11-28
文件用于mmdetection3d的SUN RGB-D数据集预处理程序，原始处理程序为matlab版，这里替换成了Python版本。文件包含了数据集分割和标注数据提取两个python脚本文件。具体使用方法请参考本人即将更新的博客：...
mmdetection-mask-output
05-08
输出mmdetection的masks
mmdetection-master.zip
07-26
(github官方下载)mmdetection 2020/7.26更新,mmdetection 2020/7.26更新,mmdetection mmcv faster-rcnn mask-rcnn ssd
mmdetection yolox-s TensorRT模型2060/2060s显卡可用
08-12
在本文中，我们将深入探讨如何在NVIDIA GeForce RTX 2060或2060 Super显卡上使用MMDetection框架中的YOLOX-S模型，并结合TensorRT进行性能优化。MMDetection是PyTorch实现的一个开源目标检测库，它集成了多种先进的...
mmdetection config文件官方解析
Lowerce的博客
08-17 545
model = dict( type='MaskRCNN', # The name of detector backbone=dict( # The config of backbone type='ResNet', # The type of the backbone, refer to https://github.com/open-mmlab/mmdetection/blob/master/mmdet/models/backbones/resnet.py#L308
WebConfig配置文件详解
01-04
<!--注意: 除了手动编辑此文件以外，您还可以使用 Web 管理工具来配置应用程序的设置。可以使用 Visual Studio 中的“网站”->“Asp.Net 配置”选项。 设置和注释的完整列表在 machine.config.comments 中，该文件通常位于 "Windows"Microsoft.Net"Framework"v2.x"Config 中。--> <!--Webconfig文件是一个xml文件，configuration是xml文件的根节点，由于xml文件的根节点只能有一个，所以Webconfig的所有配置都是在这个节点内进行的。-->
creo3.0-config.pro配置文件详解
09-21
PTC Creo 3.0 Parametric 配置选项详细说明，所有选项按类别列出。
web.config配置文件格式
GoodShot的专栏
10-23 2044
ASP.NET 配置文件是基于 XML 的文本文件（每个都命名为 web.config），可出现在 ASP.NET Web 应用程序服务器上的任何目录中。每个 web.config 文件将配置设置应用到它所在的目录和它下面的所有虚拟子目录。子目录中的设置可随意重写或修改在父目录中
Config配置文件读写
qq_54169998的博客
12-01 933
配置文件本质上是包含成功操作程序所需信息的文件，这些信息以特定方式构成。它们不是在程序中进行硬编码，而是用户可配置的，通常存储在纯文本文件中。
【Config】类库读取自己的配置文件，配置文件的扩展
09-27 255
我们在项目中一般都是使用统一的项目文件配置，所有的配置和自定义的字段都写在一个web.config或者App.config文件中。一般平时我们也没有发现问题，确实这么写没有问题，但是就是如果写的多了就看着很臃肿。 并且假如你其他地方不是主项目的配置也写在这里，多了是不是很乱，有时候自己都不知道这个是配置的那个东西了。这不我在搭建自己的框架做日志写入的时候就发现这个问题，我就想因...
config配置文件原理及使用
梁小憨憨的博客
08-11 5084
今天看完了EEGNet的论文准备搭建一下EEGNet的网络，然后想到之前看过网络配置文件的内容，然后想着以后开发自己的网络的能够规范和方便，所以就学习一下，并在这里记录一下，方便以后查阅。......
mmdetection config文件
puspos的博客
09-07 189
mmdetection框架中config文件dict使用mmcv实现：一般在mmcv.dataset.pipelines.transform.py下
mmdetection的configs中的各项参数具体解释
热门推荐
hajlyx的博客
01-07 5万+
简介 在使用mmdetection对模型进行调优的过程中总会遇到很多参数的问题，不知道参数在代码中是什么作用，会对训练产生怎样的影响，这里我以faster_rcnn_r50_fpn_1x.py和cascade_rcnn_r50_fpn_1x.py为例，简单介绍一下mmdetection中的各项参数含义 faster_rcnn_r50_fpn_1x.py 首先介绍一下这个配置文件所描述的框架，它是基...
mmdetection实现recursive-fpn
05-05
4. 在mmdetection/configs目录下的相应配置文件中，将backbone和FPN的设置修改为Recursive FPN。 5. 使用修改后的配置文件进行训练和测试。 具体实现细节可参考Recursive Feature Pyramid Network for Real-Time ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

www5599667788

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值