调试mmcls

调试mmcls主要是让自己记住要改的几步，不然总是容易忘。

1.数据输入有两种，一种可以带ann_file形式，一种是不带，通常不带的，就直接取train文件下的几类做训练的，如果是带，形式上是一行图片名称，后面跟类别，

135efbeaeb592d3b51edca5dff099de6 1

这种形式是不可取的，要完整的文件名，否则要去修改一下，要记住mm系列中数据集和数据前处理是分离的，数据集是用来__getitem__和测评数据的，前处理是处理成模型想要的输入格式。格式不对，属于读取数据在loadImageFromFile（pipeline）中，我把图片后缀加上了.jpg。

 def __call__(self, results):
        if self.file_client is None:
            self.file_client = mmcv.FileClient(**self.file_client_args)

        if results['img_prefix'] is not None:
            filename = osp.join(results['img_prefix'],
                                results['img_info']['filename']+".jpg")
        else:
            filename = results['img_info']['filename'] +".jpg"

        img_bytes = self.file_client.get(filename)
        img = mmcv.imfrombytes(img_bytes, flag=self.color_type)
        if self.to_float32:
            img = img.astype(np.float32)

        results['filename'] = filename
        results['ori_filename'] = results['img_info']['filename']
        results['img'] = img
        results['img_shape'] = img.shape
        results['ori_shape'] = img.shape
        num_channels = 1 if len(img.shape) < 3 else img.shape[2]
        results['img_norm_cfg'] = dict(
            mean=np.zeros(num_channels, dtype=np.float32),
            std=np.ones(num_channels, dtype=np.float32),
            to_rgb=False)
        return results

这样有可能图片有问题，在dataset中__getitem__做这个修改，mmclassification-master/mmcls/datasets/base_dataset.py：

    def __getitem__(self, idx):
        try:
            return self.prepare_data(idx)
        except:
            return self.__getitem__(np.random.randint(self.__len__()))

2.在imagenet中修改classes。

3.在config的model中修改classes。

4.在config中的dataset中修改数据的路径名称，samples_pre_gpu这些数据，通常1080ti上224的图片的bs大概在56-96之间，此外works指的是cpu的进程，通常取2.另外就是间隔保存，evluation的评估间隔等这些。

5.如果你是二分类，记得在model中更改topk=(1，)，然后在mmclassification-master/mmcls/datasets/base_dataset.py中有两个固定的（1,5）要更改一下，这两个是写死的，如果类别不够5，会在评估时报错。