#coding=utf-8
from __future__ import division
import argparse
import os
from mmcv import Config
from mmdet import __version__
from mmdet.datasets import get_dataset
from mmdet.apis import (train_detector, init_dist, get_root_logger,
set_random_seed)
from mmdet.models import build_detector
import torch
def parse_args():
parser = argparse.ArgumentParser(description='Train a detector')
# 模型配置文件
parser.add_argument('config', help='train config file path')
# log文件和模型文件存储路径
parser.add_argument('--work_dir', help='the dir to save logs and models')
# 恢复训练模型的路径
parser.add_argument('--resume_from', help='the checkpoint file to resume from')
# 是否在训练过程中评估checkpoint
parser.add_argument(
'--validate',
action='store_true',
help='whether to evaluate the checkpoint during training')
# 使用的GPU数量,默认是1,,仅适用于非分布式训练
parser.add_argument(
'--gpus',
type=int,
default=1,
help='number of gpus to use '
'(only applicable to non-distributed training)')
# 为当前GPU设置随机种子,
# 在训练开始时,参数的初始化是随机的,
# 为了让每次的结果一致,我们需要设置随机种子。
parser.add_argument('--seed', type=int, default=None, help='random seed')
# 决定是否使用分布式训练,
# 分布式训练支持多种 launch 方法,
# 如果launcher为空,怎为非分布式训练
parser.add_argument(
'--launcher',
choices=['none', 'pytorch', 'slurm', 'mpi'],
default='none',
help='job launcher')
# local_rank代表当前程序进程使用的GPU标号
parser.add_argument('--local_rank', type=int, default=0)
# 是否使用mixup进行数据增强
parser.add_argument('--mixup', action='store_true', help='use mixup training.')
args = parser.parse_args()
# 如果环境变量中没有指定当前进程使用的GPU标号,则使用参数里指定的
if 'LOCAL_RANK' not in os.environ:
os.environ['LOCAL_RANK'] = str(args.local_rank)
return args
def main():
args = parse_args()
# 设置模型配置文件
cfg = Config.fromfile(args.config)
# set cudnn_benchmark
# 设置这个 flag 可以让内置的cuDNN的auto-tuner
# 自动寻找最适合当前配置的高效算法,
# 来达到优化运行效率的问题
if cfg.get('cudnn_benchmark', False):
torch.backends.cudnn.benchmark = True
# 根据命令行参数更新模型配置文件中的如下两个配置选项
if args.work_dir is not None:
cfg.work_dir = args.work_dir
if args.resume_from is not None:
cfg.resume_from = args.resume_from
# 训练使用的GPU数量
cfg.gpus = args.gpus
# 初始化分布式环境,日志初始化的时候需要依赖分布式信息
if args.launcher == 'none':
distributed = False
else:
distributed = True
init_dist(args.launcher, **cfg.dist_params)
# 初始化日志
logger = get_root_logger(cfg.log_level)
logger.info('Distributed training: {}'.format(distributed))
# 为当前GPU设置随机种子,
# 在训练开始时,参数的初始化是随机的,
# 为了让每次的结果一致,我们需要设置随机种子
if args.seed is not None:
logger.info('Set random seed to {}'.format(args.seed))
set_random_seed(args.seed)
# 创建检测器:
# 模型参数配置
# 训练参数配置
# 测试参数配置
# 得到的model是一个模型类的对象
# 比如mmdet/detectors/目录下的类的对象
model = build_detector(cfg.model,
train_cfg=cfg.train_cfg,
test_cfg=cfg.test_cfg)
# print(type(model))
# 输出:<class 'mmdet.models.detectors.mask_rcnn.MaskRCNN'>
# 根据配置文件加载训练数据
# 得到一个数据集对象,比如:
# mmdet.datasets.coco.CocoDataset的对象
train_dataset = get_dataset(cfg.data.train)
if cfg.checkpoint_config is not None:
# 保存mmdet版本信息,模型配置文件内容,目标分类信息到
# checkpoints作为元数据???
# print(type(cfg.checkpoint_config))
cfg.checkpoint_config.meta = dict(
mmdet_version=__version__,
config=cfg.text,
CLASSES=train_dataset.CLASSES)
# 为便于可视化添加类别属性
model.CLASSES = train_dataset.CLASSES
# 训练检测器
train_detector(
model, # 模型
train_dataset, # 训练集数据
cfg, # 模型配置文件
distributed=distributed, # 分布式配置开关
validate=args.validate, # 是否在训练过程中评估checkpoint
logger=logger # 日志
)
if __name__ == '__main__':
main()