1. MMLab；mmclassification；配置文件解读

机械专业的计算机小白

已于 2022-05-03 19:07:18 修改

阅读量1.3k

点赞数 2

文章标签： python pytorch

于 2022-05-03 12:41:28 首次发布

本文链接：https://blog.csdn.net/wzfafabga/article/details/124553584

版权

本文详细解析了MMClassification中ResNet模型的配置文件，包括模型结构、数据预处理、训练策略和运行设置。通过实例展示了如何从简约配置生成完整配置，并对各部分参数进行了说明，适用于ResNet18和ResNet50模型。同时，介绍了ImageClassifier、ImageNet数据集、SGD优化器以及训练流程的相关配置，为自定义模型训练提供参考。

摘要由CSDN通过智能技术生成

1.总体

configs\resnet\resnet18_8xb32_in1k.py

以此为例：

_base_ = [
    '../_base_/models/resnet18.py', '../_base_/datasets/imagenet_bs32.py',
    '../_base_/schedules/imagenet_bs256.py', '../_base_/default_runtime.py'
]

官方：

_base_ = [
    '../_base_/models/resnet50.py',           # 模型
    '../_base_/datasets/imagenet_bs32.py',    # 数据
    '../_base_/schedules/imagenet_bs256.py',  # 训练策略
    '../_base_/default_runtime.py'            # 默认运行设置
]

不喜欢简约版，因为需要来回翻找，而且最好别修改源代码，导致后续乱套。故将这个文件路径作为配置参数，运行一遍train，因为很多参数没配置，故肯定报错，但是会得到一个完整版文件，在tools\work_dirs中。

复制到configs\resnet中因为都是同类，只不过复制进去的是完整版，并改名防止重名。

以下是配置好的结果，结合实操理解。

# ../_base_/models/resnet18.py
model = dict(
    type='ImageClassifier',
    backbone=dict(
        type='ResNet',
        depth=18,
        num_stages=4,
        out_indices=(3, ),
        style='pytorch'),
    neck=dict(type='GlobalAveragePooling'),
    head=dict(
        type='LinearClsHead',
        num_classes=102,
        in_channels=512,
        loss=dict(type='L1Loss', loss_weight=1.0),#L1Loss CrossEntropyLoss
        topk=(1, 5)))
# ../_base_/datasets/imagenet_bs32.py
dataset_type = 'ImageNet'
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='RandomResizedCrop', size=224),
    dict(type='RandomFlip', flip_prob=0.5, direction='horizontal'),
    dict(
        type='Normalize',
        mean=[123.675, 116.28, 103.53],
        std=[58.395, 57.12, 57.375],
        to_rgb=True),
    dict(type='ImageToTensor', keys=['img']),
    dict(type='ToTensor', keys=['gt_label']),
    dict(type='Collect', keys=['img', 'gt_label'])
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='Resize'