【Linux & Deep learning】MMDetection炼丹大法

前言

不定时更新。
Last time UPDATE：2022.03.29

训练网络

常见的训练代码，以swin-transformer为例：

CUDA_VISIBLE_DEVICES=2 python tools/train.py configs/swin/mask_rcnn_swin-t-p4-w7_fpn_1x_coco.py

CUDA_VISIBLE_DEVICES=1：指定仅gpu1对程序可见（使用单块GPU进行训练）
--work-dir：保存模型pth的路径
--resume-from：用于恢复的checkpoint文件
--auto-resume：自动从最近一次保存的checkpoint文件恢复
--validate：是否在训练中建立checkpoint的时候对该checkpoint进行评估（evaluate）（未采用分布式训练时，--validate无效）
--launcher：分布式训练的任务启动器

更改相关参数

更改模型保存周期（未实测）

修改：mmdetection/configs/_base_/default_runtime.py

# checkpoint_config
# interval=n：每隔n轮保存一次模型，注意不是epoch
checkpoint_config = dict(interval=1)   
# yapf:disable
log_config = dict(
    interval=50,
    hooks=[
        dict(type='TextLoggerHook'),
        # dict(type='TensorboardLoggerHook')
    ])
# yapf:enable
dist_params = dict(backend='nccl')
log_level = 'INFO'
load_from = None
resume_from = None
workflow = [('train', 1)]

可视化

此处以保存swin-t模型的acc值为例（注意：是保存了这个key才能plot）：

python tools/analysis_tools/analyze_logs.py plot_curve /*训练保存的json文件*/ --keys acc --out /*结果保存路径*/

plot_curve：训练保存的json文件路径
-/-keys：绘制的损失关键字，可以跟多个值
-/-out：绘制保存结果路径，可以保存成png图片，也可以保存成pdf

其他功能

计算训练时间（未实测）

python tools/analyze_logs.py cal_train_time ./1_work_dir_gfl_hat_hair_beard/20200805_154359.log.json