mmdetection之pipeline

这里的pipeline指的是从dataset类中加载数据时，对数据做的一系列流水线操作。

调用顺序

首先来分析一下涉及到的一系列函数的调用顺序。
CustomDataset类是mmdetection中所有dataset类的基类，继承了pytorch中的Dataset类。继承Dataset类时，我们需要重写__getitem__函数，用于从磁盘中加载数据。
CustomDataset类中的__getitem__函数根据是否为test_mode，来决定调用prepare_test_img()还是prepare_train_img(),这两个函数分别用来准备测试数据和训练数据，关于dataset部分会单独讲解，这里就不过多介绍了。
在prepare_train_img()函数中，我们注意返回值语句。

return self.pipeline(results)

从这里开始，就正式进入了pipeline的流程。
pipeline中的各个操作需要在dataset的配置文件中进行定义。

train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadAnnotations', with_bbox=True),
    dict(type='Resize', img_scale=(1000, 600), keep_ratio=True),
    dict(type='RandomFlip', flip_ratio=0.5),
    dict(type='Normalize', **img_norm_cfg),
    dict(type='Pad', size_divisor=32),
    dict(type='DefaultFormatBundle'),
    dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels']),
]
dataset=dict(
    type='VOCDataset',
    pipeline=train_pipeline))

mmdetection中自己实现了一个Compose类，用于组合pipeline，Compose类的本质也是一个transform，在其__call__函数中做的是使用循依次调用pipeline中的各个操作函数对数据进行处理。
Compose将会按照定义的顺序调用pipeline。

results

下面是result在经过pipeline时字段的变化情况。