qq_41627642的博客

MMDet、MMPreTrain、MMSeg中的模型注册表都继承自MMEngine中的根注册表。这允许这些存储库直接使用彼此已经实现的模块。因此，用户可以在MMDetection中使用MMPretrain中的骨干网，而无需实现MMPretrain中已经存在的网络。

dict(type='AutoAugment', policies='imagenet'), # 使用预定义策略]),...

首先在同一文件夹下复制一份配置文件，并将其重命名为 resnet18_8xb32_custom.py。在本教程中，我们使用 configs/mae/mae_vit-base-p16_8xb512-amp-coslr-300e_in1k.py。分别按路径打开这四个文件进行设置，它们分别是模型配置文件、数据集配置文件、优化器文件路径、日志配置路径。1、对图像进行分类，按照类别放入各自的文件夹中，如下图所示。多少轮保存权重、日志；学习步长等根据需要修改。按照上述方法划分数据集后，即可直接修改然后使用。

（1）ImageClassificationInferencer：对给定图像进行图像分类。（2）ImageRetrievalInferencer：从给定图像集上的给定图像执行图像到图像检索。（3）ImageCaptionInferencer：在给定图像上生成标题（4）VisualQuestionAnsweringInferencer：根据给定的图片回答问题。（5）VisualGroundingInferencer：从给定图像的描述中找到一个对象。

在新的数据集教程中，我们知道数据集类使用该load_data_list方法来初始化整个数据集，并将每个样本的信息保存到一个字典中。通常，为了节省内存使用，我们只加载load_data_list 中的图像路径和标签，并在使用时加载完整的图像内容。此外，我们可能希望在训练时选取样本时进行一些随机数据增强。几乎所有的数据加载、预处理和格式化操作都可以通过数据管道在 MMPretrain 中配置。数据管道意味着当从数据集中索引样本时如何处理样本字典。它由一系列数据转换组成。

在本节中，我们将演示如何使用 PyTorch 准备环境。MMPretrain 适用于 Linux、Windows 和 macOS。它需要 Python 3.7+、CUDA 10.2+ 和 PyTorch 1.8+。在本教程中，我们提供了一个练习示例以及一些有关如何在您自己的数据集上进行训练的技巧。在 MMPretrain 中，我们支持CustomDataset（类似于ImageFolderin torchvision），可以直接读取指定文件夹内的图像。