openMMLab使用-part 1：MMCV MMDetction MMDection3D-Seo优化-塔城地区网站建设公司

MMCV

内容基本来至于公众号“商汤学术”:
https://mp.weixin.qq.com/s/vRCjM0RBxzpcaD39Hk-fjQ

MMCV两大功能：

公用底层模块
- 文件和对象 IO：对 JSON、YAML、PKL文件的统一读写接口（所以不用再导其它包对吧）
- 图像/视频处理支持：对图像进行 Geometric, Photometric, Color space 的变换（理解应该时数据增强），支持对 Flow （不就是视频嘛）的处理, 同时支持图像和检测结果的可视化（不需要cv matplotlib了）。
- 通用工具：Progress Bar（显示训练进度），Timer（运行时间），文件路径处理，环境信息收集等小工具
- 算子：加速模型训练，CUDA 算子的高效实现
抽象训练接口（抽象接口就是C++中的多态）
- Runner：负责训练流程，目前实现了 IterBasedRunner 和 EpochBasedRunner两个类。
  - Hooks：在 Runner 运行过程中被触发而执行的函数，如，打印 log，存储模型。
- 配置文件类：将 YAML、JSON、Python 定义的配置转成统一的 dict。一般通过 Registry 来实现配置文件中字段到模块类的映射和实例化。
- Registry：管理从字符串到模块类的映射，一般通过相应的 build 函数将配置字段映射到对应的模块类并将该类实例化。

Registry使用

使用 Registry 有如下四个步骤：

建Registry =》实现build函数 =》在Registry 中注册模块 =》使用模块

Runner使用

通过注册 hook 在预定义的位点执行自定义函数来实现自定义的训练流程。

如下图所示的红色小方块即是预定义的位点，包括：训练开始前和结束后，epoch 开始前和结束后，iteration 开始前和结束后。

Hook是如何实现的?
首先每个固定的点位都有一个对应的接口函数，如下：

一个具体自定义hook的例子，如下：

是不是还是有点乱？下面给出我的理解：
看call_hook函数，每次到预定义的位点时调用这个函数。它做了啥？for轮询注册过的hook(比如这里的ClearCacheHook和SamplerSeedHook)。用getattr获得hook的fn_name的函数，实现调用。这里的fn_name应该就是hook预定于的6个接口函数。

mmCLS

参考视频：https://www.bilibili.com/video/BV1Tg4y1K7hS/?spm_id_from=333.1391.0.0&p=3&vd_source=1038a506ff56b51d53ae087a5b536aea

自行安装mmlab。网上教程一大堆

结构：

整个目录结构如下：

-configs- _base_ - datasets# 处理数据（加载数据，数据增强等）的具体的配置文件，如下图2所示- models#- schedules# 配置优化器、学习率等，如下图3所示- default_runtime.py# 其他配置，如图4所示- resnet - ***.py# 各种resnet的配置文件的路径等。文件内容基本形式如下图1。

图1
图2

图3

图4

config下(除_base_外)是各种模型的一些.py配置文件
_base_下是models、datasets、等一些文件的路径

MMDetection

目标检测框架分为目标检测和实例分割。

目标检测是预测每个物体的矩形框，框住其外边沿；
实例分割除了预测矩形框之外，还需要对物体进行像素级别的分割。
目标检测和实例分割都需要对物体的类别进行识别。

MMDetection 主要将检测器拆分成四个主要的模块，分别是：Backbone，Neck，RoIHead，DenseHead。

如何使用 MMDetection 以支持新的算法/神经网络模块

实现这个模块并将它注册进对应的 Registry，如 NECKS、HEADS、BACKBONES。

如,利用MMDetection框架实现 PAFPN 。先将 PAFPN 注册进 NECKS。

Import 这个模块，这里在necks中import，因为第一步是注册进 NECKS，所以necks需要实例化对象，故要import。
修改配置文件，让算法跑起来
训练与测试

如何使用 MMDetection 以支持新数据集

详情可见：https://github.com/open-mmlab/mmdetection/blob/master/demo/MMDet_Tutorial.ipynb

在 MMDetection 中有如下三种方式去支持一个新数据集：

将数据转成中间数据格式。
将数据转成 COCO 格式。
实现一个新数据集类。
注：方法1和方法3所写的核心代码是一样的，只不过实现起来有点差别。

以Kitti数据集为了，转成中间数据格式的具体步骤分为：

解析目录结构并比对中间格式。
实现新的数据集类。

KITTI 数据集在继承 CustomDataset 后只需要重载 load_annotations 函数将原KITTI 格式转化成中间数据格式。目前我理解的意思是，如，把00XXXX.jpeg转为 filename = “00XXXX.jpeg”，把00XXXX.txt转为 labels = <np.ndarray> (n, )的格式。
修改配置文件进行训练。

这里将类别调整为3。