MMLAB库学习

首先介绍一下MMLab，用于计算机视觉研究的基础Python库，支持OpenMMLab旗下其他开源库。

Github | https://github.com/open-mmlab/mmcv

主要功能是I/O、图像视频处理、标注可视化、各种CNN架构、各类CUDA操作算子

这里以mmcv，mmclassification为例子。

1，首先安装mmcv,这里可以参考mmlab的参考文档

依赖环境 — MMClassification 0.25.0 文档

2，安装完毕之后，我们去相关网站下载mmlabclassification-master 源码，然后可以看见里面有很多代码。

 上图是该文件的树结构，因为其本身是一个库，因此是具有setup安装文件的，我们这里将其视为一个项目来尝试。

3，MMLab代码的策略是将配置与源码分开，需要什么就直接调用，config就是各种配置，例如打开其中的查看一下：

4，里面有众多我们熟悉的网络配置，再展开其中一个，以resnet为例。

 renet下面有很多其网络架构，其命名规则为：网络名_层数_gpu数量_batch数量_数据集等

还有的会写一些策略，例如学习率，epoch数量等。

resnet18_18*b16_cifar10.py你能看出来吗？

5，打开文件看一看其结构：

_base_ = [
    '../_base_/models/resnet18_cifar.py', '../_base_/datasets/cifar10_bs16.py',
    '../_base_/schedules/cifar10_bs128.py', '../_base_/default_runtime.py'
]

其仅仅写出了一个框架，均为继承关系，因此不会有大片两的代码，共分为4个文件，分别是模型，数据，迭代策略，保存等打印配置。

那么真正代码结构在哪里呢？ 在config/_base_下，让我们去看看吧，哈哈哈

6，结构

6.1model

# model settings
model = dict(
    type='ImageClassifier',
    backbone=dict(
        type='ResNet_CIFAR',
        depth=18,
        num_stages=4,
        out_indices=(3, ),
        style='pytorch'),
    neck=dict(type='GlobalAveragePooling'),
    head=dict(
        type='LinearClsHead',
        num_classes=10,
        in_channels=512,
        loss=dict(type='CrossEntropyLoss', loss_weight=1.0),
    ))

上面展现了模型的结构，主干backbone使用的是ResNet网络，18层，一共4块，输出的是第4个(0,1,2,3)，3对应的是4.style对应的是，我也不太清楚。只知道有pytorch 3*3,和cafe1*1，stride均为2.下面是neck，一般来说，我们对模型进行改进就是对neck进行改进，这里采用的是全局平均池化，后面的是头，由于我们这里是分类故使用全连接做分类。一共10类，输入通道为512，分为10类。后面就是损失。

同理其他同样。

7那么就来跑一个属于自己的数据吧。

数据如下是102个花的分类，以及classification

链接: https://pan.baidu.com/s/1617As76-0Us-JfaVoHZRcA 提取码: affr 

这是数据：

 

将其解压后放进这个文件夹内：

。首先进行模型生成找到tools/train

我们\mmclassification-master\configs\resnet\resnet18_8xb32_in1k.py作为参数，输入进train文件的参数中，图如下：

 执行完毕会在

/mmclassification-master/tools/work_dirs下生成一些文件，我们选取和resnet18_8xb32_in1k.py一样文件名的文件将其改名字复制到/home/wxq/mmlab/mmclassification-master/configs/resnet下并打开，我将其改为tod_resnet18_8xb32_in1k.py

如下图最后一个文件：

 下面是内容修改：

将12行改为102

# 改前：
num_classes=1000,
# 改后：
num_classes=102,

第44行里面data加载的数据路径均改为flower的路径

其中包含第49行data_prefix='..\mmcls\data\flower_data\train'

65行改为：data_prefix=''..\mmcls\data\flower_data\valid'

第66行注释掉：这里是加载标签的路径，如果没有或者注释掉，那么就是将其文件所在文件夹作为一类，例如花朵的1,2,3,,,102就是102类：

 同理由于test也是这样改，由于没有测试集，用valid作为测试集：

81行改为：data_prefix=''..\mmcls\data\flower_data\valid'

82行注释掉。

最后由于我自己显存小，将100行检查点改为50个记录一次，其余不变。

下面是改其他内容：

还有就是因为他源码用的是imagenet的数据加载，原来有1000个种类：

 

需要将这部分改为102个花的种类，才可以。

 

接下来就是运行：

成功啦