# 教程 4: 使用自定义数据集进行预训练 - [教程 4: 使用自定义数据集进行预训练](#教程-4-使用自定义数据集进行预训练) - [在自定义数据集上使用 MAE 算法进行预训练](#在自定义数据集上使用-mae-算法进行预训练) - [第一步：获取自定义数据路径](#第一步获取自定义数据路径) - [第二步：选择一个配置文件作为模板](#第二步选择一个配置文件作为模板) - [第三步：修改数据集相关的配置](#第三步修改数据集相关的配置) - [在 COCO 数据集上使用 MAE 算法进行预训练](#在-coco-数据集上使用-mae-算法进行预训练) 在本教程中，我们将介绍如何使用自定义数据集(无需标注)进行自监督预训练。 ## 在自定义数据集上使用 MAE 算法进行预训练 在 MMPretrain 中, 我们支持用户直接调用 MMPretrain 的 `CustomDataset` (类似于 `torchvision` 的 `ImageFolder`), 该数据集能自动的读取给的路径下的图片。你只需要准备你的数据集路径，并修改配置文件，即可轻松使用 MMPretrain 进行预训练。 ### 第一步：获取自定义数据路径 路径应类似这种形式： `data/custom_dataset/` ### 第二步：选择一个配置文件作为模板 在本教程中，我们使用 `configs/selfsup/mae/mae_vit-base-p16_8xb512-coslr-400e_in1k.py`作为一个示例进行讲解。我们首先复制这个配置文件，将新复制的文件命名为`mae_vit-base-p16_8xb512-coslr-400e_${custom_dataset}.py`. - `custom_dataset`: 表明你用的那个数据集。例如，用 `in1k` 代表ImageNet 数据集，`coco` 代表COCO数据集。 这个配置文件的内容如下： ```python _base_ = [ '../_base_/models/mae_vit-base-p16.py', '../_base_/datasets/imagenet_bs512_mae.py', '../_base_/default_runtime.py', ] # optimizer wrapper optim_wrapper = dict( type='AmpOptimWrapper', loss_scale='dynamic', optimizer=dict( type='AdamW', lr=1.5e-4 * 4096 / 256, betas=(0.9, 0.95), weight_decay=0.05), paramwise_cfg=dict( custom_keys={ 'ln': dict(decay_mult=0.0), 'bias': dict(decay_mult=0.0), 'pos_embed': dict(decay_mult=0.), 'mask_token': dict(decay_mult=0.), 'cls_token': dict(decay_mult=0.) })) # learning rate scheduler param_scheduler = [ dict( type='LinearLR', start_factor=0.0001, by_epoch=True, begin=0, end=40, convert_to_iter_based=True), dict( type='CosineAnnealingLR', T_max=260, by_epoch=True, begin=40, end=300, convert_to_iter_based=True) ] # runtime settings train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=300) default_hooks = dict( # only keeps the latest 3 checkpoints checkpoint=dict(type='CheckpointHook', interval=1, max_keep_ckpts=3)) randomness = dict(seed=0, diff_rank_seed=True) # auto resume resume = True # NOTE: `auto_scale_lr` is for automatically scaling LR # based on the actual training batch size. auto_scale_lr = dict(base_batch_size=4096) ``` ### 第三步：修改数据集相关的配置 数据集相关的配置是定义在 `_base_`的`'../_base_/datasets/imagenet_mae.py'` 文件内。我们直接将其内容复制到刚刚创建的新的配置文件 `mae_vit-base-p16_8xb512-coslr-400e_${custom_dataset}.py` 中. - 修改`dataset_type = 'CustomDataset'`和` data_root = /dataset/my_custom_dataset`. - 删除 `train_dataloader`中的 `ann_file` ，同时根据自己的实际情况决定是否需要设定 `data_prefix`。 ```{note} `CustomDataset` 是在 MMPretrain 实现的, 因此我们使用这种方式 `dataset_type=CustomDataset` 来使用这个类。 ``` 此时，修改后的文件应如下： ```python # >>>>>>>>>>>>>>>>>>>>> Start of Changed >>>>>>>>>>>>>>>>>>>>>>>>> _base_ = [ '../_base_/models/mae_vit-base-p16.py', '../_base_/datasets/imagenet_mae.py', '../_base_/default_runtime.py', ] # custom dataset dataset_type = 'CustomDataset' data_root = 'data/custom_dataset/' train_dataloader = dict( dataset=dict( type=dataset_type, data_root=data_root, # ann_file='meta/train.txt', # removed if you don't have the annotation file data_prefix=dict(img_path='./')) # <<<<<<<<<<<<<<<<<<<<<< End of Changed <<<<<<<<<<<<<<<<<<<<<<<<<<< # optimizer wrapper optim_wrapper = dict( type='AmpOptimWrapper', loss_scale='dynamic', optimizer=dict( type='AdamW', lr=1.5e-4 * 4096 / 256, betas=(0.9, 0.95), weight_decay=0.05), paramwise_cfg=dict( custom_keys={ 'ln': dict(decay_mult=0.0), 'bias': dict(decay_mult=0.0), 'pos_embed': dict(decay_mult=0.), 'mask_token': dict(decay_mult=0.), 'cls_token': dict(decay_mult=0.) })) # learning rate scheduler param_scheduler = [ dict( type='LinearLR', start_factor=0.0001, by_epoch=True, begin=0, end=40, convert_to_iter_based=True), dict( type='CosineAnnealingLR', T_max=260, by_epoch=True, begin=40, end=300, convert_to_iter_based=True) ] # runtime settings train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=300) default_hooks = dict( # only keeps the latest 3 checkpoints checkpoint=dict(type='CheckpointHook', interval=1, max_keep_ckpts=3)) randomness = dict(seed=0, diff_rank_seed=True) # auto resume resume = True # NOTE: `auto_scale_lr` is for automatically scaling LR # based on the actual training batch size. auto_scale_lr = dict(base_batch_size=4096) ``` 使用上述配置文件，你就能够轻松的在自定义数据集上使用 `MAE` 算法来进行预训练了。 ## 在 COCO 数据集上使用 MAE 算法进行预训练 ```{note} 你可能需要参考[文档](https://github.com/open-mmlab/mmdetection/blob/3.x/docs/en/get_started.md)安装 MMDetection 来使用 `mmdet.CocoDataset`。 ``` 与在自定义数据集上进行预训练类似，我们在本教程中也提供了一个使用 COCO 数据集进行预训练的示例。修改后的文件如下： ```python # >>>>>>>>>>>>>>>>>>>>> Start of Changed >>>>>>>>>>>>>>>>>>>>>>>>> _base_ = [ '../_base_/models/mae_vit-base-p16.py', '../_base_/datasets/imagenet_mae.py', '../_base_/default_runtime.py', ] # custom dataset dataset_type = 'mmdet.CocoDataset' data_root = 'data/coco/' train_dataloader = dict( dataset=dict( type=dataset_type, data_root=data_root, ann_file='annotations/instances_train2017.json', data_prefix=dict(img='train2017/'))) # <<<<<<<<<<<<<<<<<<<<<< End of Changed <<<<<<<<<<<<<<<<<<<<<<<<<<< # optimizer wrapper optim_wrapper = dict( type='AmpOptimWrapper', loss_scale='dynamic', optimizer=dict( type='AdamW', lr=1.5e-4 * 4096 / 256, betas=(0.9, 0.95), weight_decay=0.05), paramwise_cfg=dict( custom_keys={ 'ln': dict(decay_mult=0.0), 'bias': dict(decay_mult=0.0), 'pos_embed': dict(decay_mult=0.), 'mask_token': dict(decay_mult=0.), 'cls_token': dict(decay_mult=0.) })) # learning rate scheduler param_scheduler = [ dict( type='LinearLR', start_factor=0.0001, by_epoch=True, begin=0, end=40, convert_to_iter_based=True), dict( type='CosineAnnealingLR', T_max=260, by_epoch=True, begin=40, end=300, convert_to_iter_based=True) ] # runtime settings train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=300) default_hooks = dict( # only keeps the latest 3 checkpoints checkpoint=dict(type='CheckpointHook', interval=1, max_keep_ckpts=3)) randomness = dict(seed=0, diff_rank_seed=True) # auto resume resume = True # NOTE: `auto_scale_lr` is for automatically scaling LR # based on the actual training batch size. auto_scale_lr = dict(base_batch_size=4096) ```