mmsegmentation进阶使用学习笔记（三）——配置运行设定

在mmseg框架下是默认用iters进行迭代训练的，但是可以自行设定使用epoch进行训练。

循环控制器指的是训练, 验证和测试时的执行流程, 在配置文件里面使用 train_cfg, val_cfg 和 test_cfg 来构建这些流程。

例如，使用基于迭代次数的训练循环 (IterBasedTrainLoop) 去训练 80,000 个迭代次数, 并且每 8,000 iteration 做一次验证, 可以如下设置:

train_cfg = dict(type='IterBasedTrainLoop', max_iters=80000, val_interval=8000)

在这里就可以调整，例如需要使用epoch进行训练，调整配置的类别信息。所有类别都在mmengine/runner/loops.py中。整体文件可以在官网查看：mmengine/mmengine/runner/loops.py at main · open-mmlab/mmengine · GitHub

mmengine/runner/loops.py中的EpochBasedTrainLoop类用于使用epoch进行训练：

@LOOPS.register_module()
# 用于实现基于 epoch（轮次）的训练循环
class EpochBasedTrainLoop(BaseLoop):
    """Loop for epoch-based training.

    Args:
        runner (Runner): A reference of runner.
        dataloader (Dataloader or dict): A dataloader object or a dict to
            build a dataloader.
        max_epochs (int): Total training epochs.
        val_begin (int): The epoch that begins validating.
            Defaults to 1.
        val_interval (int): Validation interval. Defaults to 1.
        dynamic_intervals (List[Tuple[int, int]], optional): The
            first element in the tuple is a milestone and the second
            element is a interval. The interval is used after the
            corresponding milestone. Defaults to None.
    """

    def __init__(
            self,
            runner, # Runner 实例的引用，用于管理整个训练过程
            dataloader: Union[DataLoader, Dict], # 可以是 DataLoader 对象或包含数据加载参数的字典
            max_epochs: int, # 训练的总轮次数
            val_begin: int = 1, # 指定开始验证的轮次和验证的频率
            val_interval: int = 1,
            dynamic_intervals: Optional[List[Tuple[int, int]]] = None) -> None: # 个可选的里程碑列表，每个里程碑（元组）包含一个轮次和一个间隔，用于在达到该轮次后更改验证频率
        super().__init__(runner, dataloader)
        self._max_epochs = int(max_epochs)
        assert self._max_epochs == max_epochs, \
            f'`max_epochs` should be a integer number, but get {max_epochs}.'
        self._max_iters = self._max_epochs * len(self.dataloader) # 计算得到的最大迭代次数 iters = pochs * data批次数量
        self._epoch = 0
        self._iter = 0

        # 用于跟踪当前轮次和迭代次数
        self.val_begin = val_begin
        self.val_interval = val_interval

        # This attribute will be updated by `EarlyStoppingHook`
        # when it is enabled.
        self.stop_training = False # 用于控制提前停止训练的标志，可以通过 EarlyStoppingHook 将其设为 True，实现早停功能。
        if hasattr(self.dataloader.dataset, 'metainfo'):
            self.runner.visualizer.dataset_meta = \
                self.dataloader.dataset.metainfo
        else:
            print_log(
                f'Dataset {self.dataloader.dataset.__class__.__name__} has no '
                'metainfo. ``dataset_meta`` in visualizer will be '
                'None.',
                logger='current',
                level=logging.WARNING)

        self.dynamic_milestones, self.dynamic_intervals = \
            calc_dynamic_intervals(
                self.val_interval, dynamic_intervals)

在使用时，就需要更改训练设置的配置，不同的类需要传入的参数不同。

train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=200, val_interval=20)