一、前言
MMLab是香港中文大学深圳研究院的一个计算机视觉和深度学习研究团队，由教授陈嘉杰（Jiajie Chen）领导。该团队成立于2017年，致力于图像识别、目标检测、语义分割、人脸识别等领域的研究。MMLab开发了许多开源的深度学习工具包和算法，如PyTorch中的Detectron2、mmdetection、mmcv等，这些工具包和算法在学术界和工业界都有广泛的应用。MMLab的研究成果在计算机视觉领域享有很高的声誉，团队成员也经常在国际计算机视觉顶级会议上发表论文和做报告。
二、mmcv安装
MMCV 是一个面向计算机视觉的基础库，基本支持所有的 OpenMMLab 项目：
1.安装方案a
https://mmcv.readthedocs.io/zh_CN/latest/get_started/installation.html
根据自己的方案选择版本安装
2.安装方案b
https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html
根据自己的cuda版本，torch版本（1.x.0和1.x.1兼容），修改上面网站打开，选择安装的mmcv版本，Python版本，Windows系统，下载预编制whl文件，pip install 安装
如果是2.0前的版本，还需要
pip install opencv-python
三、mmclassification使用
mmcv1.4.2
代码：链接: https://pan.baidu.com/s/1A0U7SQStbqNqxDR6lgSYbw 提取码: 7yn3
mmclassification是MMLab开源的一个基于PyTorch的图像分类工具包。下面是mmclassification文件目录的基本解释：
1.目录说明
- configs 包含模型配置文件，包括各种骨干网络、分类器、数据增强等参数的设置。包含所能使用的模型文件，一般选择一个配置作为你的模型，假如你选择了resnet中一个配置，如下：他会读取以下四个文件，生成一个新的配置文件，
这四个文件包含了模型加载，数据处理，数据加载，运行输出，日志保存等，也就是一整个流程，数据会根据配置文件走完整个流程，
- mmcls 主要代码目录，包括数据加载、模型定义、训练和测试等功能的实现。configs一般是从这调用模型文件，数据处理文件进行处理。
- tools 包含训练和测试的脚本，以及模型转换的脚本。以及可视化工具
- tests/：测试用例目录，包含一些简单的测试用例。
- docs/：文档目录，包含了mmclassification的使用文档和API文档。
- requirements/：依赖文件目录，包含了mmclassification所需的依赖库。
- LICENSE：开源协议文件。
- README.md：项目说明文件。
在使用mmclassification时，可以通过修改configs/目录下的配置文件来改变模型的参数设置，然后使用tools/train.py脚本进行训练，使用tools/test.py脚本进行测试。
2.数据集
这是一个花朵数据集，有102类别，就是文件名，
把所有图片放到一个文件夹下，并生成一个索引文件train.txt，
import numpy as np
import os
import shutil
train_path = './train'
train_out = './train.txt'
val_path = './valid'
val_out = './val.txt'
data_train_out = './train_filelist'
data_val_out = './val_filelist'
def get_filelist(input_path,output_path):
with open(output_path, 'w') as f:
for dir_path, dir_names, file_names in os.walk(input_path):
if dir_path != input_path:
label = int(dir_path.split('\\')[-1]) -1
#print(label)
for filename in file_names:
f.write(filename +' '+str(label)+"\n")
def move_imgs(input_path,output_path):
for dir_path, dir_names, file_names in os.walk(input_path):
for filename in file_names:
#print(os.path.join(dir_path,filename))
source_path = os.path.join(dir_path, filename)
# 复制文件1到文件二
shutil.copyfile(source_path, os.path.join(output_path,filename))
get_filelist(train_path,train_out)
get_filelist(val_path,val_out)
move_imgs(train_path,data_train_out)
move_imgs(val_path,data_val_out)
左边是图片名称，右边把文件夹作为类名，然后通过索引在这取数据
3.根据自己数据修改文件
默认1000类别，然后修改成自己类别，输出会把类别转换成数字类别对应的名称
mmcls/datasets/imagenet.py
配置文件中type都是指向mmcl中类名的，所以要修改成符合自己任务，
执行train.py ../configs/resnet/resnet18_8xb32_in1k.py
会在tools/work_dirs/resnet18_8xb32_in1k/resnet18_8xb32_in1k.py生成一个总的配置文件，在这改比较好改，首先需要把数据路径改成自己的，都需要改，还有输出类别，反正就根据自己情况改。
指定预训练权重，
load_from = '../mmcls/data/resnet18_8xb32_in1k_20210831-fbbb1da6.pth'
改完重命名一下，重新指定配置文件路径运行，权重文件保存在tools/work_dirs下，
4.demo测试
demo/image_demo.py
image_03313.jpg ../configs/resnet/today_resnet18_8xb32_in1k.py ../tools/work_dirs/resnet18_8xb32_in1k/epoch_100.pth
5.测试结果
tools/test.py
../configs/resnet/today_resnet18_8xb32_in1k.py ../tools/work_dirs/resnet18_8xb32_in1k/epoch_100.pth --show
--show-dir ../tools/work_dirs/resnet18_8xb32_in1k/val_result
--metrics accuracy recall
结果保存在../tools/work_dirs/resnet18_8xb32_in1k/val_result
6.数据增强可视化
../../configs/resnet/today_resnet18_8xb32_in1k.py --output-dir ../work_dirs/resnet18_8xb32_in1k/vis/vis_pipeline --phase train --number 10 --mode pipeline/transformed
../work_dirs/resnet18_8xb32_in1k/vis/vis_pipeline
7.日志分析
tools/analysis_tools/analyze_logs.py
plot_curve ../work_dirs/resnet18_8xb32_in1k/flower-100epoch.json --keys loss accuracy_top-1 cal_train_time ../work_dirs/resnet18_8xb32_in1k/flower-100epoch.json
评论