MMCV:MMDetction所依赖的调参基础库

原创：赵明明

做目标检测的同学应该已经接触过或者正要接触MMDetection，当你接触到MMDeteciton的时候，你会发现，它的代码有点奇怪：它不写train函数，不写eval函数，反而配置了一个runner,把训练过程配置到runner中，运行runner,就是运行train/eval函数.如下：

图1 配置runner完成训练过程

上图第84行，就是对runner的运行。在运行之前的第62行，第78行，分别将模型model，优化器optimizer,日志logger,学习率调整策略配置入runner内。配置好后，运行runner就可以i实现模型的训练了。

为什么要使用runner?

我认为最大的特点就是：方便了算法研究，同学们可以少花一点时间在写代码上，把更多的精力花在模型的设计上。runner里面集成了图像和视频处理，图像和标注结果的可视化，对训练过程记时统计，以及高质量的常见的GPU算子等，也集成了多种CNN网络机构，基本上常用的网络结构都已经集成在这个模型里了。

由于mmcv的便利性,基于mmcv的开发已经支持了CV各个领域的开源项目：

• 有MMClassification,图像分类工具箱；
• MMDetection图像检测工具箱；
• MMDetection3D新一代通用3D目标检测平台，
• 以及MMSegmentation图像分割工具箱。
• 除了经典的视觉任务，还实现了视频理解工具箱MMAction2,
• 目标感知平台MMTracking,
• 姿态估计工具箱MMPose,
• 文字检测工具箱MMOCR，
• 图像视频编辑工具箱MMEditing等一些常见的应用场景
• 最后，也有部署方面的模型压缩工具箱MMRazor,模型部署框架MMDeploy.

为何mmcv可以支持开发从模型设计，到模型应用，再到模型部署这样全方位的工具箱？

原因有很多，其中配置型的runner功不可没。

下面咱们就了解下runner的思路

runner通过配置信息构建了训练工作流，测试工作流。比如设置 workflow=[(‘train’,200),(‘val’,1)],表示循环的训练200个epoch,然后验证1个epoch.

构建逻辑如下：

while curr_epoch < max_epochs:
    # 遍历用户设置的工作流，例如 workflow = [('train', 200)，('val', 1)]
    for i, flow in enumerate(workflow):
        # mode 是工作流函数，例如 train, epochs 是