MMPose保姆级教工程（班长推荐）

MMPretrain保姆级教程_哔哩哔哩_bilibili

水平一般建议直接看原UP主教程

创建环境，安装依赖

conda create -n open-mmlab python=3.8 pytorch==1.10.1 torchvision==0.11.2 cudatoolkit=11.3 -c pytorch -y
conda activate open-mmlab
pip install openmim
git clone https://github.com/open-mmlab/mmpretrain.git
cd mmpretrain
mim install -e .

安装完成后，执行下面代码测试

python demo/image_demo.py demo/demo.JPEG resnet18_8xb32_in1k --device gpu:0

使用python执行demo文件夹下image_demo.py脚本，对图片demo/demo.JPEG使用ResNet网络结构，使用的设备是CPU，会直接下载resnet权重

查询支持的权重

import mmpretrain
mmpretrain.list_models()

文件结构

configs	配置文件
data	数据集存储路径
demo	入门案例
docs	中英文文档教程
mmpretrain	模块化代码
projects	工程实例
resources	图片、视频等静态资源
tests	组件维度测试脚本
tools	训练、测试、可视化等工具集
work_dirs	运行代码产生的文件存放地

现有数据集+现有模型

#未做测试
python mmpretrain/tools/train.py mmpretrain/configs/resnet/resnet10_8xb16_cifar10.py 

现有数据集+自定义模型

方案1：

1. 使用pytorch实现完整的前向传播，并测试好维度
2. 按照MMPretrain的约定将进行代码转换以及配置文件的改写

方案2：

1. 通过端点调试以及可视化的方式理解官方代码的维度变换
2. 在理解的基础上直接按照约定改写官方代码

LegoAI：以可视化的方式搭建神经网络

ZS520L/LegoAI-by-AUST: 基于节点编辑器开发的用于可视化构建神经网络的神器。Based on node editor development artifacts for visualization to build neural networks. (github.com)

自定义模型心得：

1. 虽然模型被拆分成了不同份组件，但是组件之间并不能任意组合
2. 各个组件的输出并不一定是Tensor，也有可能是Tuple
3. 并不是每个组件都是必须的，例如可以没有neck
4. loss是和head绑定的，拆解模型的时候需要注意

 

import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
    def __init__(self):
        super(Net, self)._init_()
        self.conv1 = nn.Conv2d(3,6,5)
        self.pool = mn.MaxPool2d(2,2)
        self.conv2 = nn.Conv2d(6,16,5)
        self.fcl = mn.Linear(16 * 5 * 5,120)
        self.fc2 = nn.Linear(120,84)
        self.fc3 = mn.Linear(84,10)
    def forward(self, x):
        x = self.pool(F.relu(self.convl(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1,16*5*5)
        x = F.relu(self.fc1(x))
        x = F.relu(solf.fc2(x))
        x = self.fc3(x)
        return x
din = torch.randn(16,3,32,32)
net = Net()
net(din).shape

数据集下载