mmdet在训练过程中调用epoch

本文介绍如何在MMDetection的训练流程中通过自定义Hook类SetEpochInfoHook设置和获取epoch信息,以便在训练期间监测进度。遵循issue讨论并提供详细步骤和代码实例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

由于mmdet训练过程都封装到runner中,在训练过程中是无法直接调用epoch。本文主要参考了

https://github.com/open-mmlab/mmdetection/issues/7425

具体实现

  1. 定义hook类
    mmdet/core/hooks中新增文件set_epoch_info_hook.py,内容如下:
# Copyright (c) OpenMMLab. All rights reserved.
from mmcv.parallel import is_module_wrapper
from mmcv.runner import HOOKS, Hook


@HOOKS.register_module()
class SetEpochInfoHook(Hook):
    """Set runner's epoch information to the model."""

    def before_train_epoch(self, runner):
        epoch = runner.epoch
        model = runner.model
        if is_module_wrapper(model):
            model = model.module
        model.set_epoch(epoch)
        

并把该类添加到对应的__init__.py文件中。

  1. 修改配置文件
    在配置文件中,添加
# custom hooks
custom_hooks = [dict(type='SetEpochInfoHook')]
  1. 注册hook
    mmdet/apis/train.py中,添加如下代码
    在这里插入图片描述
    SetEpochInfoHook就是刚才新增的类。

  2. 在detector文件中修改
    我是在two_stage.py中,添加set_epoch函数。
    在这里插入图片描述
    5.调用方法
    这样就可以在训练过程中,获取当前的epoch。
    在这里插入图片描述
    print的结果是1。

### 使用 MMDetection 生成检测图像 为了使用 `MMDetection` 工具库来生成检测图像,需遵循一系列操作流程。具体来说,在 Python 环境下执行如下代码能够完成单张图片的实例分割并将其结果显示出来。 ```python import os from mmdet.apis import init_detector, inference_detector, show_result_pyplot os.chdir('/home/ma-user/work/wrc/mmdetection') # 更改工作目录至模型所在位置[^1] config_file = 'configs/wrc/wrc.py' # 加载自定义配置文件路径 checkpoint_file = '../ckpt/epoch_12.pth' # 设置预训练权重文件路径 model = init_detector(config_file, checkpoint_file) # 初始化模型 image_path = '../data/labeled/test/JPEGImages/109.jpg'# 设定待预测图片的位置 result = inference_detector(model, image_path) # 对指定图片实施推理过程得到结果 show_result_pyplot(model, image_path, result) # 利用matplotlib显示带有边界框的结果图 ``` 上述脚本展示了如何加载已有的配置文件与预训练参数初始化一个检测模型,并针对特定输入图像调用该模型获取识别成果最后呈现可视化效果。此过程中涉及到了读取配置、加载权重以及前向传播计算等核心环节。 值得注意的是,除了基本的对象检测外,如果想要实现更复杂的任务比如实例分割或是全景分割,则可以根据实际需求调整相应的配置项以适应不同的应用场景[^2]。 对于希望进一步优化性能或者处理大规模数据集的情况而言,还可以考虑采用诸如 OHEM (Online Hard Example Mining) 这样的高级技术手段辅助训练过程从而提升最终的效果表现[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值