5.5 KiB

Raw Blame History

下游任务

下游任务
- 检测
  - 训练
  - 测试
- 分割
  - 训练
  - 测试

检测

这里，我们倾向使用 MMDetection 做检测任务。首先确保您已经安装了 MIM，这也是 OpenMMLab 的一个项目。

pip install openmim
mim install 'mmdet>=3.0.0rc0'

非常容易安装这个包。

此外，请参考 MMDetection 的安装和数据准备

训练

安装完后，您可以使用如下的简单命令运行 MMDetection。

# 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}

备注：

${CONFIG}: 使用configs/benchmarks/mmdetection/下的配置文件。由于 OpenMMLab 的算法库支持跨不同存储库引用配置文件，因此我们可以轻松使用 MMDetection 的配置文件，例如：

_base_ = 'mmdet::mask_rcnn/mask-rcnn_r50-caffe-c4_1x_coco.py'

从头开始写您的配置文件也是支持的。

${PRETRAIN}：预训练模型文件
${GPUS}: 您想用于训练的 GPU 数量，对于检测任务，我们默认采用 8 块 GPU。

例子：

bash ./tools/benchmarks/mmdetection/mim_dist_train_c4.sh \
configs/benchmarks/mmdetection/coco/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

或者您想用 detectron2 来做检测任务，我们也提供了一些配置文件。请参考 INSTALL.md 用于安装并按照 detectron2 需要的目录结构准备您的数据集。

conda activate detectron2 # use detectron2 environment here, otherwise use open-mmlab environment
cd tools/benchmarks/detectron2
python convert-pretrain-to-detectron2.py ${WEIGHT_FILE} ${OUTPUT_FILE} # must use .pkl as the output extension.
bash run.sh ${DET_CFG} ${OUTPUT_FILE}

测试

在训练之后，您可以运行如下命令测试您的模型。

# 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：

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

对于语义分割任务我们使用 MMSegmentation。首先确保您已经安装了 MIM，这也是 OpenMMLab 的一个项目。

pip install openmim
mim install 'mmsegmentation>=1.0.0rc0'

非常容易安装这个包。

此外，请参考 MMSegmentation 的安装和数据准备。

训练

在安装完后，可以使用如下简单命令运行 MMSegmentation。

# 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}：使用configs/benchmarks/mmsegmentation/下的配置文件。由于 OpenMMLab 的算法库支持跨不同存储库引用配置文件，因此我们可以轻松使用 MMSegmentation 的配置文件，例如：

_base_ = 'mmseg::fcn/fcn_r50-d8_4xb2-40k_cityscapes-769x769.py'

从头开始写您的配置文件也是支持的。

${PARTITION}：预训练模型文件
${GPUS}: 您想用于训练的 GPU 数量，对于分割任务，我们默认采用 4 块 GPU。

例子：

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。

# 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：

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

5.5 KiB Raw Blame History

下游任务

检测

训练

测试

分割

训练

测试

5.5 KiB

Raw Blame History