高版本mmdetection2.5迁移到低版本mmdetection1.0方法

最新推荐文章于 2024-09-03 22:09:26 发布

原创

最新推荐文章于 2024-09-03 22:09:26 发布 · 889 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #pytorch #人工智能

本文详细记录了如何将基于MMDetection2.5训练的模型迁移到1.0版本的过程，包括模型状态保存、配置文件调整以及不同版本state_dict的转换步骤，涉及关键代码示例，适用于处理模型版本升级问题。

因公司需要，需要将mmdetection2.5版本训练的模型迁移到mmdetection1.0，两者因环境（torch版本，mmcv版本，核心代码实现上的区别），直接更改config存在问题，本文记录迁移过程

1、mmdetection2.5 模型保存

两个版本mmdet的torch 版本不相同(其中2.5版本为1.7，1.0版本为1.1)，因此在mmdetection2.5上保存的模型，在低版本的torch中无法正确读取，因此首先要需要解决这个问题，解决方案是只保存state_dict,重点是需要设定_use_new_zipfile_serialization为False，否则低版本torch无法读取

import os
import torch
from mmdet.apis import init_detector
config_path = 'config_v2_5.py'
model_path = 'model_v2_5.pth'
save_path = 'mmdet_demo/transfer.pth'
model = init_detector(config_path, model_path)
state_dict = model.state_dict()
torch.save(state_dict,,_use_new_zipfile_serialization=False

如上述脚本可实现高版本模型保存state_dict，这样把weights迁移到对应的低版本

2、制作config

为了简单实现需求，对比了两个版本config的异同，在2.5版本的基础上，修改得到1.0版本的config, 主
要更改的地方有四个方面，如下所示：

RPN相关
因2.x版本相较1.x版本进行了较大改进，尤其在RPN的组成上，核心代码一致，组合方式发生了变化。
bbox_roi_extractor相关
第二个变化为ROI相关的组合方式
bbox_head相关
test_cfg相关
主要注意使用nms中的参数名称

3、实现转化

实现转化的流程：
1、利用1.0的config进行模型初始化，得到对应的结构state_dict
2、获取2.5版本保存的state_dict
3、遍历1.0获取的state_dict，保存有差异的key值，存入两个版本的txt文件，如下图所示：
在这里插入图片描述

4、遍历1.0的state_dict，对于不同情况进行分别赋值
具体代码如下所示：

import torch
import mmcv
from mmdet.models import build_detector
from mmcv.runner import load_checkpoint
import warnings
from mmdet.core import get_classes
from mmcv import Config
from mmdet.apis import init_detector

def</