mmdetection源码笔记（四）：训练模型之train_detector()的解读

最新推荐文章于 2024-10-10 15:08:41 发布

Activewaste

最新推荐文章于 2024-10-10 15:08:41 发布

阅读量4.5k

点赞数 8

分类专栏： mmdetection源码笔记文章标签： mmdetection

本文链接：https://blog.csdn.net/qq_41375609/article/details/102906700

版权

本文详细解读mmdetection中train_detector()的功能，探讨该函数如何启动模型训练，包括分布式与非分布式训练的区别，并重点解析runner类在训练过程中的作用，它负责协调训练的各个环节，如加载数据、初始化权重、保存检查点等。

摘要由CSDN通过智能技术生成

引言

之前在写mmdetection源码的解读过程时，觉得train_detector()这部分很重要，对于理解整个的训练过程应该时起着非常大的理解作用。
然后最近研究工作一直在看和修改mmdetection的其他模块的代码这一块。感觉train_detector()这块内容其实也不是特别重要来着，可能就是一个加强理解的过程。这次还是花了点时间，大致的看了一下，顺便加上自己的一些理解，解释了一下整个过程，如果有错的话，希望各路大佬指出，互相学习哈。

train_detector()

下面的代码出现在tools/train.py中，也是main函数的结尾，也就是说，我们训练的时候，到这就是真正的开始训练了。

 train_detector(
        model,
        datasets,
        cfg,
        distributed=distributed,
        validate=args.validate,
        logger=logger)

那到底怎么训练的呢？
下面代码是train_detector()函数的定义，在mmdet/api/train.py文件中

def train_detector(model,
                   dataset,
                   cfg,
                   distributed=False,
                   validate=False,
                   logger=None):
    if logger is None:
        logger = get_root_logger(cfg.log_level)
    # start training
    if distributed:
        _dist_train(model, dataset, cfg, validate=validate