MMEngine——BaseModule

最新推荐文章于 2025-03-31 18:34:39 发布
最新推荐文章于 2025-03-31 18:34:39 发布
阅读量693 收藏
点赞数
分类专栏： OpenMMLab 文章标签： 深度学习 pytorch 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_41658139/article/details/128411350
版权

BaseModule是OpenMMLab中所有模块的基础模块，BaseModule包装了torch.nn.Module，添加了参数初始化函数等。

相比于torch.nn.Module，BaseModule主要加入了三个属性：

  • init_cfg：控制初始化的config；
  • init_weights：参数初始化函数，并记录初始化信息；

类在实例化时的参数有：

  • init_cfg

可以查询的属性有：

  • is_init
  • init_cfg

可以调用的属性有：

  • init_weights
  • 直接print
第十二章 MMDetection3D解析系列三_注册器(registry)(车道线感知)
专注于人工智能学习，总结
10-13 468
MMEngine 实现的注册器可以看作一个映射表和模块构建方法（build function）的组合。映射表维护了一个字符串到类或者函数的映射，使得用户可以借助字符串查找到相应的类或函数，例如维护字符串 “ResNet” 到 ResNet 类或函数的映射，使得用户可以通过 “ResNet” 找到 ResNet 类；
〖MMEngine〗解析文件：mmengine/model/base_model/base_model.py
sinat_39783664的博客
09-30 139
mmengine源码解析
基础模块（Base Module）使用指南
gitblog_00595的博客
09-10 408
基础模块（Base Module）使用指南 base-module常用组件，快速开发框架（blur, fresco, volley, crash, log, ftp, update...）项目地址:https://gitcode.com/gh_mirrors/ba/base-module 欢迎使用基础模块！本指南将帮助您了解如何高效地操作和配置此开源项目。基础模块是构建复杂系统的核心组件，提供了...
mmengine使用教程（一）
最新发布
butterflies_的博客
03-31 799
注册器可以看做是映射表和模块构建方法的组合，映射表维护了一个字符串到类或者函数的映射，使我们可以直接通过字符串找到对应类或函数，模块构建方法则告诉我们如何根据字符串找到对应类或函数以及怎么实例化这个类或者调用这个函数。对于每个注册器管理的类或函数，通常具有相似的接口或功能，因此注册器可以看做是类或函数的抽象，就比如注册器MODELS可以看做是所有模型的抽象。返回的是一个字典，字典中key代表一个参数或者一个模块，value代表其中的参数数量，而key""代表模型的总参数数量。
MMCV中runner下的BaseModule找不到解决办法
weixin_45743254的博客
04-23 1873
查看了源码，找到basemodule在mmengine包的model下面。mmcv2.0更新以后的版本删除了runner等类。
探索未来媒体处理：MMEngine - 开源多媒体引擎
gitblog_00099的博客
04-25 414
探索未来媒体处理：MMEngine - 开源多媒体引擎 项目地址:https://gitcode.com/gh_mirrors/mm/mmengine 是一个由OpenMMLab团队开发的强大开源多媒体引擎，旨在提供高效、灵活的视频和图像处理解决方案。它结合了深度学习与传统的计算机视觉算法，为开发者提供了一站式的多媒体处理工具箱。 技术概览 MMEngine 的核心技术架构基于模块化设计，包括以下...
YOLOv5改进系列（32）——替换主干网络之PKINet（CVPR2024 | 面向遥感旋转框主干，有效捕获不同尺度上的密集纹理特征）
路人贾的博客
07-08 2878
YOLOv5改进系列（32）——替换主干网络之PKINet（CVPR2024 | 面向遥感旋转框主干，有效捕获不同尺度上的密集纹理特征）
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征，适应尺度变化大的目标
Limiiiing的博客
01-11 531
PKI Module是。
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征，适应尺度变化大的目标
Limiiiing的博客
01-21 309
PKI Module是。
YOLOv11改进 | 添加注意力机制篇 | 2024最新空间和通道协同注意力SCSA改进yolov11有效涨点（含二次创新C2PSA机制）
Snu77的博客
11-05 2505
本文给大家带来的改进机制是2024最新的空间和通道协同注意力模块（Spatial and Channel Synergistic Attention）SCSA，其通过结合空间注意力（Spatial Attention）和通道注意力（Channel Attention），提出了一种新的协同注意力模块SCSA。SCSA的设计由两个主要部分组成：共享多语义空间注意力（SMSA）和渐进通道自注意力（PCSA）| 个人感觉类似于CBAM，SCSA机制旨在有效地结合通道和空间注意力的优势，充分利用多语义信息，从而提高视
YOLOv10改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制
Limiiiing的博客
10-08 1567
本文记录的是基于CAA注意力模块的YOLOv10目标检测改进方法研究。。CAA能够有效捕捉长距离依赖，并且参数量和计算量更少。
【MMEngine】用MMEngine自带函数get_model_complexity_info计算模型每层参数量、参数总量和计算量
向上生长的程序媛的博客
12-20 2248
多种方法计算模型参数量和计算量，含完整Python代码
mmdetection代码阅读系列（六）：BaseModule的初始化
yinglang19941010的专栏
08-25 2452
BaseModule初始化的参数init_cfg例子如下 dict( type='Normal', layer='Conv2d', std=0.01, override=dict( type='Normal', name='conv_cls', std=0.01, bias_prob=0.01) ) type: (str) 用于初始化的INITIALIZERS的name layer:(list[str], st
MMEngine之介绍、结构、应用示例、常见用法（一）
qq_41627642的博客
07-20 5372
主要Runner 调用以下组件来完成训练和推理循环：数据集：负责在训练、测试和推理任务中构建数据集，并将数据输入模型。在使用中，它由 PyTorch DataLoader 包装，该加载器启动多个子进程来加载数据。Model：接受数据并输出训练过程中的损失；在测试和推理任务期间接受数据并执行预测。在分布式环境中，模型由模型包装器（例如，MMDistributedDataParallel）包装。
MMEngine理解
热门推荐
MyArrow的专栏
10-28 1万+
MMEngine学习理解
【mmengine】配置器(config)（进阶）继承与导出，命令行修改配置
m0_51579041的博客
09-30 922
配置器(config) 继承与导出，命令行修改配置
PureBasic 游戏引擎 mmEngine3D
cjjys2441的博客
06-23 194
http://www.purebasic.cn/files/20080410/mmEngine3D.zipIntroductionWelcome to mmEngine3D Light, one of the fastest a...
【mmengine】注册器(register) （进阶）继承mmengine注册器来实现自己项目的注册器
m0_51579041的博客
09-30 863
继承mmengine注册器来实现自己项目的注册器
MMEngine
03-23
<think>好的，我现在需要处理用户关于MMEngine的查询。用户提到想了解MMEngine的使用教程或安装配置指南，并且之前的对话中引用了多个OpenMMLab项目的资料。首先，我得确认用户的需求是安装、配置还是基本使用。 首先，用户提供的引用中有几个涉及到MMEngine的安装步骤。例如，引用[1]提到MMEngine是OpenMMLab的基础库，引用[2]提到MMAction2依赖MMEngine和MMCV，引用[4]和[5]也提到了安装步骤。我需要整合这些信息，给出一个清晰的安装指南。 接下来，用户可能需要知道如何验证安装是否成功。根据常见做法，通常是通过导入库并查看版本。我需要确保步骤正确，比如使用pip list或者python -c "import mmengine; print(mmengine.__version__)"。 然后，配置指南可能需要涉及配置文件的结构，比如configs目录下的文件。引用[3]和[4]提到使用MIM安装，可能需要说明如何通过配置文件进行模型训练或推理。 使用教程方面，用户可能需要基础功能的示例代码，比如日志记录、注册模块、配置文件的使用。这些在MMEngine的文档中通常有介绍，我需要确保代码示例正确，并解释每个部分的作用。 另外，用户可能遇到的问题，比如依赖冲突或CUDA版本不兼容，需要给出解决方法，如创建虚拟环境或指定版本安装。引用[5]中提到安装MMDetection的特定版本，这可能与MMEngine的版本兼容性有关，需要注意。 最后，生成的相关问题要围绕安装、配置、应用场景和问题排查，这样用户能进一步探索。需要确保问题覆盖用户可能的后续疑问，比如依赖管理或多模态支持。 总结一下，我需要分步骤讲解安装、验证、配置和使用，并附上代码示例和常见问题解决。同时，引用正确的来源，如引用[1]和[4]中的安装步骤，引用[3]的可选多模态安装。确保回答结构清晰，符合用户的要求。</think>### MMEngine 安装配置与使用指南 MMEngine 是 OpenMMLab 生态中的核心基础库，为算法训练、推理、部署提供通用模块支持。以下是详细操作步骤： --- #### 一、安装 MMEngine **推荐通过 MIM 安装**（兼容性最佳）： ```bash # 安装 MIM 工具 pip install openmim # 通过 MIM 安装 MMEngine mim install mmengine ``` *验证安装*： ```python import mmengine print(mmengine.__version__) # 应输出类似 1.0.0 的版本号 ``` **源码安装方案**（适用于二次开发）： ```bash git clone https://github.com/open-mmlab/mmengine.git cd mmengine pip install -v -e . # "-e" 表示可编辑模式安装[^4] ``` --- #### 二、关键配置项说明 MMEngine 通过配置文件（如 `configs/_base_/default_runtime.py`）控制训练流程，核心参数包括： ```python # 训练资源配置 gpu_ids = [0] # 指定 GPU 编号 fp16 = dict(loss_scale=512.) # 混合精度训练配置[^1] # 日志与检查点 checkpoint_config = dict(interval=500) # 每 500 次迭代保存模型 log_config = dict( interval=10, hooks=[dict(type='TextLoggerHook')]) ``` --- #### 三、基础使用示例 **1. 训练流程控制**： ```python from mmengine import Runner # 加载配置文件 cfg = Config.fromfile('configs/resnet/resnet50_8xb32_in1k.py') # 初始化 Runner runner = Runner( model=ResNet(), work_dir='./work_dirs', train_dataloader=train_loader, optim_wrapper=dict(optimizer=dict(type='SGD', lr=0.1)) ) runner.train() # 启动训练 ``` **2. 自定义模块注册**： ```python from mmengine.registry import MODELS @MODELS.register_module() class CustomBackbone(nn.Module): def __init__(self, depth=50): super().__init__() # 自定义网络结构... # 配置文件中可直接调用 model = dict( type='ImageClassifier', backbone=dict(type='CustomBackbone', depth=101)) ``` --- #### 四、常见问题解决 1. **依赖冲突**： - 创建独立虚拟环境：`conda create -n mmengine python=3.8` - 指定依赖版本：`pip install "numpy<1.24"` 2. **CUDA 版本不匹配**： ```bash pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html ``` --- §§ 相关问题 §§ 1. MMEngine 如何实现分布式训练？ 2. 如何扩展 MMEngine 的 Hook 机制？ 3. MMEngine 与其他 OpenMMLab 项目（如 MMCV）有何区别？ 4. MMEngine 支持哪些混合精度训练策略？ : MMEngine 官方文档中的核心架构说明 [^4]: OpenMMLab 项目标准安装流程规范
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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