Day 3 --- MMClassification工具包

一、MMClassification工具包简介

MMClassification工具包目前集成了包括VGG、ResNet、ConvNext以及Swin-Transformer等多种神经网络模型，同时为了便于使用，提供了包括MNIST、CIFAR以及ImageNet 1K和21K等多种图像分类数据集支持，其他数据集需求可在OpenDataLab中进行获取。

训练与推理使用

训练

针对训练任务，在通过源码安装好框架后，采用如下命令即可进行训练

# 单机单卡
python tools/train.py  ${CONFIG_FILE} [optional arguments]

# 单机、多机多卡
./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]

# 使用任务调度器 Slurm 启动任务
[GPUS=${GPUS}] ./tools/slurm_train.sh ${PARTITION} ${JOB_NAME} ${CONFIG_FILE} ${WORK_DIR}

# 加载预训练权重，从 checkpoint 恢复训练
上述命令后增加 --resume-from ${CHECKPOINT_FILE} 参数

推理

使用推理工具时同样需要源码安装，随后通过下述命令进行推理

# 单张图像
python demo/image_demo.py ${IMAGE_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE}

# 测试集
## 单卡
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--metrics ${METRICS}] [--out 
${RESULT_FILE}]
## 多卡
./tools/dist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--metrics ${METRICS}] [--out 
${RESULT_FILE}]

推理API简介

在进行推理前，若没有自己的训练权重，需要通过OpenMMLab提供的mim管理工具下载对应配置文件和训练权重

$ mim download mmcls --config mobilenet-v2_8xb32_in1k --dest .

以MobileNet-v2为例，在进行推理时，仅需关注下述代码即可

from mmcls.apis import init_model, inference_model, show_result_pyplot

model = init_model('mobilenet-v2_8xb32_in1k.py',
                   'mobilenet_v2_batch256_imagenet_20200708-3b2dc3af.pth',
                   device='cuda:0')

result = inference_model(model, 'banana.png')
show_result_pyplot(model, 'banana.png', result)

• init_model()：负责调用下载好的config文件、训练权重以及指定支持设备
• inference_model()：推理API接口，负责返回推理结果

• show_result_pyplot()：将推理结果展示在图像中

配置文件

在深度学习任务中，通常一个模型想正常训练，需要具备以下几个方面

• 模型结构：定义模型层数、每层通道数等具体结构
• 数据集：包括数据集划分策略、数据文件路径以及数据增强策略等
• 训练策略：决定模型在训练时采用的优化方法、学习率参数、batch_size、epoch以及学习率变化策略等
• 运行：GPU支持、分布式环境支持等
• 辅助功能：log打印、定时保存checkpoint以及可视化loss曲线

OpenMMLab将上述内容统一集成在了一个配置文件中，由多个字段仅需定义，用户仅需通过定义和修改该配置文件，即可定义自己的网络结构、数据内容以及训练策略，从而轻松完成整个训练过程。

• model：定义模型
• data：定义数据
• optimizer、lr_config：定义训练策略
• load_from：定义预训练模型的参数文件