零碎知识点-mmdetection

import torch
import torchvision

print(torch.__version__)
print(torchvision.__version__)
exit() // 退出


// 这是版本查看问题

cat /usr/local/cuda/version.txt // 这是查看cuda的版本

conda deactivate  // 退出你的虚拟环境
conda env list  // 列出你创建的虚拟环境
 conda remove -n name --all // 删除你创建的虚拟环境

rm -文件名字 
rm -目录名字 -r 

关于移动一个文件夹到另一个文件夹

mv /home/xx/../test1 /home/xx/.../test3

这个就是将test1里面的所有文件移动到test3中 都是用绝对路径
关于vim编辑一个文件

vim 文件名
然后 i 表示插入 改好后 就可以按esc退出 退出后 在最后一行 :wq 来退出并进行保存

对于使用mmdetection不能使用多个GPU进行训练的时候的时候 为了使得能够使用多个GPU·
对mmdetection/mmdet/api/mmdet train.py 做修改

原代码
  model = MMDataParallel(model, device_ids=range(cfg.gpus)).cuda()

修改后
 # put model on gpus
    model = MMDistributedDataParallel(model.cuda(),device_ids=[torch.cuda.current_device()])

每次修改mmdetection的代码后 要进行编译

 python setup.py install

然后 这样就可以采用多GPU进行训练啦
如下

CUDA_VISIBLE_DEVICES=0,1,2,3 // 表示我使用4块GPU进行训练
./tools/dist_train.sh configs/u_casr101.py 4 --validate
// 这个表示我会自动进行测试 但是这样 就跑的很慢 可以把 --validate去掉 自己手动进行测试
如下：
./tools/dist_train.sh configs/ucas_x64.py 4 // 4表示我使用四块GPU进行训练 

对于内存爆炸的情况

可以改变configs/**.py文件中的一些参数
如：
在最上面加上

fp16 = dict(loss_scale=512.)
data = dict(
    imgs_per_gpu=4, // 将这里的8改为4
    workers_per_gpu=4,
    train=dict(
        type=dataset_type,
        ann_file=data_root + 'VOC2007/ImageSets/Main/trainSet1V65.txt',
        img_prefix=data_root + 'VOC2007/',
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'VOC2007/ImageSets/Main/valSet1V65.txt',
        img_prefix=data_root + 'VOC2007/',
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'VOC2007/ImageSets/Main/valSet1V65.txt',
        img_prefix=data_root + 'VOC2007/',
        pipeline=test_pipeline))

对于一些可读的文件进行编辑

sudo gedit transforms.py 

这个是为了压缩模型，可以看看代码 在代码里面 我们发现它是把优化器optimizer给去掉了 这个会占模型的一半或是小于一半的内存 相对了来说 是比较占内存的 但是对于如果是预训练模型 是不会有优化器的 而训练之后的模型会加上优化器的 我们可以将我们训练后的模型也去删掉作为预训练模型 可能这样训练会快点 不过我没试过

python tools/publish_model.py work_dirs/cascade_rcnn_x101_64x4d_fpn_1x/best1.pth epoch_18.pth