2023OpenmmLab实战训练营（三）

一、MMClassification介绍

MMClassification是由openmmlab基于pytorch开发的可用于分类任务的神经网络框架，可以通过修改配置文件来快速实现模型预测、自定义数据集、设计数据处理流程、自定义优化策略和模型参数等功能。其主要框架如上图所示。

1.openmmlab环境搭建基础——mim

openmmlab开发了类似pip的工具mim，提供了统一的命令行接口。

具体使用说明，可以参见：https://github.com/open-mmlab/mim

2.openmmlab项目中的重要概念——配置文件

在openmmlab项目中，所有的项目都涵盖在一个配置文件中，配置文件定义了完整的训练过程，并且可以在运行时将配置文件里的参数自动转换成pytorch指令。

具体包括内容如下：

运作方式如下图所示：

二、配置文件修改举例

1. • 网络模型结构

搭建如图所示的分类网络，通过ResNet50网络生成特征图，在对其进行全局平均池化降维，将降维后的特征向量输入到全连接层，再引入softmax激活函数进行压缩，最终输出分类概率。

2. • 分类模型构建

3. • 数据集构建

在pipeline部分可以加入图像预处理部分内容，对其进行初步处理。例如旋转、尺寸变换、归一化等。

4. • 定义数据加载流水线

在pipeline部分可以对训练集和测试集分别加入图像预处理部分内容，对其进行初步处理。例如旋转、尺寸变换、归一化等。

5. • 配置学习策略

此处需注意，在多卡GPU上进行训练时，应对学习率lr和batch size同步进行放缩。

6. • 更多的预训练模型库

可参见官方文档：https://mmclassification.readthedocs.io/en/latest/modelzoo_statistics.html

会更新较新的分类模型、多个方向均有实现。

通过修改配置文件的方式，可以快速对模型性能进行评估和使用模型在数据集上进行预测。