# 下游任务 ## 检测 我们使用 MMDetection 进行图像检测。首先确保您已经安装了 [MIM](https://github.com/open-mmlab/mim),这也是 OpenMMLab 的一个项目。 ```shell pip install openmim mim install 'mmdet>=3.0.0rc0' ``` 此外,请参考 MMDetection 的[安装](https://mmdetection.readthedocs.io/en/dev-3.x/get_started.html)和[数据准备](https://mmdetection.readthedocs.io/en/dev-3.x/user_guides/dataset_prepare.html) ### 训练 安装完后,您可以使用如下的简单命令运行 MMDetection。 ```shell # distributed version bash tools/benchmarks/mmdetection/mim_dist_train_c4.sh ${CONFIG} ${PRETRAIN} ${GPUS} bash tools/benchmarks/mmdetection/mim_dist_train_fpn.sh ${CONFIG} ${PRETRAIN} ${GPUS} # slurm version bash tools/benchmarks/mmdetection/mim_slurm_train_c4.sh ${PARTITION} ${CONFIG} ${PRETRAIN} bash tools/benchmarks/mmdetection/mim_slurm_train_fpn.sh ${PARTITION} ${CONFIG} ${PRETRAIN} ``` - `${CONFIG}`:直接用 MMDetection 中的配置文件路径即可。对于一些算法,我们有一些修改过的配置文件, 可以在相应算法文件夹下的 `benchmarks` 文件夹中找到。另外,您也可以从头开始编写配置文件。 - `${PRETRAIN}`:预训练模型文件 - `${GPUS}`:使用多少 GPU 进行训练,对于检测任务,我们默认使用 8 个 GPU。 例子: ```shell bash ./tools/benchmarks/mmdetection/mim_dist_train_c4.sh \ configs/byol/benchmarks/mask-rcnn_r50-c4_ms-1x_coco.py \ https://download.openmmlab.com/mmselfsup/1.x/byol/byol_resnet50_16xb256-coslr-200e_in1k/byol_resnet50_16xb256-coslr-200e_in1k_20220825-de817331.pth 8 ``` ### 测试 在训练之后,您可以运行如下命令测试您的模型。 ```shell # distributed version bash tools/benchmarks/mmdetection/mim_dist_test.sh ${CONFIG} ${CHECKPOINT} ${GPUS} # slurm version bash tools/benchmarks/mmdetection/mim_slurm_test.sh ${PARTITION} ${CONFIG} ${CHECKPOINT} ``` 备注: - `${CHECKPOINT}`:您想测试的训练好的检测模型。 例子: ```shell bash ./tools/benchmarks/mmdetection/mim_dist_test.sh \ configs/benchmarks/mmdetection/coco/mask-rcnn_r50_fpn_ms-1x_coco.py \ https://download.openmmlab.com/mmselfsup/1.x/byol/byol_resnet50_16xb256-coslr-200e_in1k/byol_resnet50_16xb256-coslr-200e_in1k_20220825-de817331.pth 8 ``` ## 分割 我们使用 MMSegmentation 进行图像分割。首先确保您已经安装了 [MIM](https://github.com/open-mmlab/mim),这也是 OpenMMLab 的一个项目。 ```shell pip install openmim mim install 'mmsegmentation>=1.0.0rc0' ``` 此外,请参考 MMSegmentation 的[安装](https://mmsegmentation.readthedocs.io/en/dev-1.x/get_started.html)和[数据准备](https://mmsegmentation.readthedocs.io/en/dev-1.x/user_guides/2_dataset_prepare.html)。 ### 训练 在安装完后,可以使用如下简单命令运行 MMSegmentation。 ```shell # distributed version bash tools/benchmarks/mmsegmentation/mim_dist_train.sh ${CONFIG} ${PRETRAIN} ${GPUS} # slurm version bash tools/benchmarks/mmsegmentation/mim_slurm_train.sh ${PARTITION} ${CONFIG} ${PRETRAIN} ``` 备注: - `${CONFIG}`:直接用 MMSegmentation 中的配置文件路径即可。对于一些算法,我们有一些修改过的配置文件, 可以在相应算法文件夹下的 `benchmarks` 文件夹中找到。另外,您也可以从头开始编写配置文件。 - `${PRETRAIN}`:预训练模型文件 - `${GPUS}`:使用多少 GPU 进行训练,对于检测任务,我们默认使用 8 个 GPU。 例子: ```shell bash ./tools/benchmarks/mmsegmentation/mim_dist_train.sh \ configs/benchmarks/mmsegmentation/voc12aug/fcn_r50-d8_4xb4-20k_voc12aug-512x512.py \ https://download.openmmlab.com/mmselfsup/1.x/byol/byol_resnet50_16xb256-coslr-200e_in1k/byol_resnet50_16xb256-coslr-200e_in1k_20220825-de817331.pth 4 ``` ### 测试 在训练之后,您可以运行如下命令测试您的模型。 ```shell # distributed version bash tools/benchmarks/mmsegmentation/mim_dist_test.sh ${CONFIG} ${CHECKPOINT} ${GPUS} # slurm version bash tools/benchmarks/mmsegmentation/mim_slurm_test.sh ${PARTITION} ${CONFIG} ${CHECKPOINT} ``` 备注: - `${CHECKPOINT}`:您想测试的训练好的分割模型。 例子: ```shell bash ./tools/benchmarks/mmsegmentation/mim_dist_test.sh \ configs/benchmarks/mmsegmentation/voc12aug/fcn_r50-d8_4xb4-20k_voc12aug-512x512.py \ https://download.openmmlab.com/mmselfsup/1.x/byol/byol_resnet50_16xb256-coslr-200e_in1k/byol_resnet50_16xb256-coslr-200e_in1k_20220825-de817331.pth 4 ```