mmdetection-自定义Data Pipelines

DataPipelines的设计

在torch中，Dataset的作用是决定如何读取训练数据，并且控制读取数据后进行何种操作；而DataLoader的作用是把Dataset得到的数据排列起来，并按照一定的batchsize输入给网络。

通常来说，Dataset和DataLoader肩负起了处理数据集的任务，而考虑到目标检测任务中，size不一的问题，在MMCV中创建了一个DataContainer类型。data preparation pipeline和dataset被分开处理。

Pipelines由一系列操作组成，每个操作都将一个dict输入，将一个dict输出。

上图中，蓝色块表示管道操作，绿色文字为结果dict中添加的新键，橙色文字为更新的键。

以上这些操作又分为了数据加载、预处理、格式化和测试时间增强。

以下为pipeline的一个举例说明：

img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadAnnotations', with_bbox=True),
    dict(type='Resize', img_scale=(1333, 800), keep_ratio=True)