OpenMMLab 实战营打卡 - 第 3 课

一 MMClassifiaction介绍

图像分类工具包 （MMClassifiaction）含有丰富的模型

• 卷积神经网络
  • VGG
  • ResNet & Variants
  • ResNext
  • DenseNet
  • HRNet
  • EfficientNet
  • …
• 轻量化网络
  • MobileNet V2/V3
  • ShuffleNet V1/V2
  • …
• Transformer模型
  • Vit
  • MLP-Mixer
  • Conformer
  • …

同时支持各种数据集，还有训练技巧和策略，例如：优化器与学习率策略、数据增强策略等。
还有一些易用的工具，例如：大量预配置文件、预训练模型。
同时还有模块化设计。
代码仓库: https://github.com/open-mmlab/mmclassification
文档教程: https://mmclassification.readthedocs.io/en/latest/

二 MMClassifiaction环境安装

根据mmclassification的环境要求，需要用anaconda、cuda、gcc等模块环境基础。
1.首先创建一个python=3.8 的环境并激活环境（官方文档说明MMCV需要Python3.6以上的版本）这里可以产参考一些别的博主写的conda教程。

conda create --name opennmmlab_mmclassification python=3.8
source activate opennmmlab_mmclassification

2.然后安装torch，torch参考pytorch官网。注意在RTX3090的GPU上，cuda需要大于11.1。如下安装的1.10.0+cu111。使用pi安装的torch不包括cuda

pip install torch==1.10.0+cu111 torchvision==0.11.0+cu111 torchaudio==0.10.0 -f
https://download.pytorch.org/whl/torch_stable.html

3.安装mmcv-full模块。mmcv-full模块安装时需要注意torch和cuda版本。在安装mmcv-full之前 ，请确保PyTorch成功安装在环境中，可以用以下命令来测试：如果输出版本信息，则成功安装。

python -c 'import torch;print(torch.__version__)'

在这里推荐使用官方给出的mim安装，mim是OpenMMLab项目的管理工具，使用它可以很方便的安装mmcv-full。
但是我不接受它的推荐，我使用的是pip安装，注意版本匹配

pip install mmcv-full==1.7.0 -f
https://download.openmmlab.com/mmcv/dist/cu111/torch1.10/index.html

4.安装OpenMMLab/MMClassification模块，安装该模块需要gcc大于5

# git 下载 mmclassification 代码 
 git clone https://github.com/open-mmlab/mmclassification.git
# 编译安装
 cd mmclassification
 pip install -e .

完成以上步骤，恭喜你🎉，完成了环境配置

三 介绍一下推理API

# 下载配置文件和与训练权重
$ mim download mmcls --config mobilenet-v2_8xb32_in1k --dest .

使用Python API推理

from mmcls.apis import init_model, inference_model, show_result_pyplot
model = init_model('mobilenet-v2_8xb32_in1k.py',
'mobilenet_v2_batch256_imagenet_20200708-3b2dc3af.pth',
device='cuda:0')
result = inference_model(model, 'banana.png')
show_result_pyplot(model, 'banana.png', result)

四 介绍一下OpenMMLab项目中的重要概念

4.1 配置文件

深度学习模型的训练涉及以下几个方面

• 模型结构 模型有几层、每层多少通道数等等
• 数据集 用什么数据训练模型：数据集划分、数据文件路径、数据增强策略等等
• 训练策略 梯度下降算法、学习率参数、batch_size、训练总轮数、学习率变化策略等等
• 运行时 GPU、分布式环境配置等等
• 一些辅助功能 如 打印日志、定时保存checkpoint等等
  在OpenMMLab项目中，所有这些项目都涵盖在一个配置文件中，一个配置文件定义了一个完整的训练过程
• model字段定义模型
• data字段定义数据
• optimizer、Ir_config等字段定义训练策略
• load_from字段定义与训练模型的参数文件

4.2 配置文件运作方式

4.3 图像分类模型架构

4.4 数据集构建

4.5 定义数据加载流水线