| # 将配置文件从 MMDetection 2.x 迁移至 3.x | |
| MMDetection 3.x 的配置文件与 2.x 相比有较大变化，这篇文档将介绍如何将 2.x 的配置文件迁移到 3.x。 | |
| 在前面的[配置文件教程](../user_guides/config.md)中，我们以 Mask R-CNN 为例介绍了 MMDetection 3.x 的配置文件结构，这里我们将按同样的结构介绍如何将 2.x 的配置文件迁移至 3.x。 | |
| ## 模型配置 | |
| 模型的配置与 2.x 相比并没有太大变化，对于模型的 backbone，neck，head，以及 train_cfg 和 test_cfg，它们的参数与 2.x 版本的参数保持一致。 | |
| 不同的是，我们在 3.x 版本的模型中新增了 `DataPreprocessor` 模块。 | |
| `DataPreprocessor` 模块的配置位于 `model.data_preprocessor` 中，它用于对输入数据进行预处理，例如对输入图像进行归一化，将不同大小的图片进行 padding 从而组成 batch，将图像从内存中读取到显存中等。这部分配置取代了原本存在于 train_pipeline 和 test_pipeline 中的 `Normalize` 和 `Pad`。 | |
| <table class="docutils"> | |
| <tr> | |
| <td>原配置</td> | |
| <td> | |
| ```python | |
| # 图像归一化参数 | |
| img_norm_cfg = dict( | |
| mean=[123.675, 116.28, 103.53], | |
| std=[58.395, 57.12, 57.375], | |
| to_rgb=True) | |
| pipeline=[ | |
| ..., | |
| dict(type='Normalize', **img_norm_cfg), | |
| dict(type='Pad', size_divisor=32), # 图像 padding 到 32 的倍数 | |
| ... | |
| ] | |
| ``` | |
| </td> | |
| <tr> | |
| <td>新配置</td> | |
| <td> | |
| ```python | |
| model = dict( | |
| data_preprocessor=dict( | |
| type='DetDataPreprocessor', | |
| # 图像归一化参数 | |
| mean=[123.675, 116.28, 103.53], | |
| std=[58.395, 57.12, 57.375], | |
| bgr_to_rgb=True, | |
| # 图像 padding 参数 | |
| pad_mask=True, # 在实例分割中，需要将 mask 也进行 padding | |
| pad_size_divisor=32) # 图像 padding 到 32 的倍数 | |
| ) | |
| ``` | |
| </td> | |
| </tr> | |
| </table> | |
| ## 数据集和评测器配置 | |
| 数据集和评测部分的配置相比 2.x 版本有较大的变化。我们将从 Dataloader 和 Dataset，Data transform pipeline，以及评测器配置三个方面介绍如何将 2.x 版本的配置迁移到 3.x 版本。 | |
| ### Dataloader 和 Dataset 配置 | |
| 在新版本中，我们将数据加载的设置与 PyTorch 官方的 DataLoader 保持一致，这样可以使用户更容易理解和上手。 | |
| 我们将训练、验证和测试的数据加载设置分别放在 `train_dataloader`，`val_dataloader` 和 `test_dataloader` 中，用户可以分别对这些 dataloader 设置不同的参数，其输入参数与 [PyTorch 的 Dataloader](https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.DataLoader) 所需要的参数基本一致。 | |
| 通过这种方式，我们将 2.x 版本中不可配置的 `sampler`，`batch_sampler`，`persistent_workers` 等参数都放到了配置文件中，使得用户可以更加灵活地设置数据加载的参数。 | |
| 用户可以通过 `train_dataloader.dataset`，`val_dataloader.dataset` 和 `test_dataloader.dataset` 来设置数据集的配置，它们分别对应 2.x 版本中的 `data.train`，`data.val` 和 `data.test`。 | |
| <table class="docutils"> | |
| <tr> | |
| <td>原配置</td> | |
| <td> | |
| ```python | |
| data = dict( | |
| samples_per_gpu=2, | |
| workers_per_gpu=2, | |
| train=dict( | |
| type=dataset_type, | |
| ann_file=data_root + 'annotations/instances_train2017.json', | |
| img_prefix=data_root + 'train2017/', | |
| pipeline=train_pipeline), | |
| val=dict( | |
| type=dataset_type, | |
| ann_file=data_root + 'annotations/instances_val2017.json', | |
| img_prefix=data_root + 'val2017/', | |
| pipeline=test_pipeline), | |
| test=dict( | |
| type=dataset_type, | |
| ann_file=data_root + 'annotations/instances_val2017.json', | |
| img_prefix=data_root + 'val2017/', | |
| pipeline=test_pipeline)) | |
| ``` | |
| </td> | |
| <tr> | |
| <td>新配置</td> | |
| <td> | |
| ```python | |
| train_dataloader = dict( | |
| batch_size=2, | |
| num_workers=2, | |
| persistent_workers=True, # 避免每次迭代后 dataloader 重新创建子进程 | |
| sampler=dict(type='DefaultSampler', shuffle=True), # 默认的 sampler，同时支持分布式训练和非分布式训练 | |
| batch_sampler=dict(type='AspectRatioBatchSampler'), # 默认的 batch_sampler，用于保证 batch 中的图片具有相似的长宽比，从而可以更好地利用显存 | |
| dataset=dict( | |
| type=dataset_type, | |
| data_root=data_root, | |
| ann_file='annotations/instances_train2017.json', | |
| data_prefix=dict(img='train2017/'), | |
| filter_cfg=dict(filter_empty_gt=True, min_size=32), | |
| pipeline=train_pipeline)) | |
| # 在 3.x 版本中可以独立配置验证和测试的 dataloader | |
| val_dataloader = dict( | |
| batch_size=1, | |
| num_workers=2, | |
| persistent_workers=True, | |
| drop_last=False, | |
| sampler=dict(type='DefaultSampler', shuffle=False), | |
| dataset=dict( | |
| type=dataset_type, | |
| data_root=data_root, | |
| ann_file='annotations/instances_val2017.json', | |
| data_prefix=dict(img='val2017/'), | |
| test_mode=True, | |
| pipeline=test_pipeline)) | |
| test_dataloader = val_dataloader # 测试 dataloader 的配置与验证 dataloader 的配置相同，这里省略 | |
| ``` | |
| </td> | |
| </tr> | |
| </table> | |
| ### Data transform pipeline 配置 | |
| 上文中提到，我们将图像 normalize 和 padding 的配置从 `train_pipeline` 和 `test_pipeline` 中独立出来，放到了 `model.data_preprocessor` 中，因此在 3.x 版本的 pipeline 中，我们不再需要 `Normalize` 和 `Pad` 这两个 transform。 | |
| 同时，我们也对负责数据格式打包的 transform 进行了重构，将 `Collect` 和 `DefaultFormatBundle` 这两个 transform 合并为了 `PackDetInputs`，它负责将 data pipeline 中的数据打包成模型的输入格式，关于输入格式的转换，详见[数据流文档](../advanced_guides/data_flow.md)。 | |
| 下面以 Mask R-CNN 1x 的 train_pipeline 为例，介绍如何将 2.x 版本的配置迁移到 3.x 版本： | |
| <table class="docutils"> | |
| <tr> | |
| <td>原配置</td> | |
| <td> | |
| ```python | |
| img_norm_cfg = dict( | |
| mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True) | |
| train_pipeline = [ | |
| dict(type='LoadImageFromFile'), | |
| dict(type='LoadAnnotations', with_bbox=True), | |
| dict(type='Resize', img_scale=(1333, 800), keep_ratio=True), | |
| dict(type='RandomFlip', flip_ratio=0.5), | |
| dict(type='Normalize', **img_norm_cfg), | |
| dict(type='Pad', size_divisor=32), | |
| dict(type='DefaultFormatBundle'), | |
| dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels']), | |
| ] | |
| ``` | |
| </td> | |
| <tr> | |
| <td>新配置</td> | |
| <td> | |
| ```python | |
| train_pipeline = [ | |
| dict(type='LoadImageFromFile'), | |
| dict(type='LoadAnnotations', with_bbox=True), | |
| dict(type='Resize', scale=(1333, 800), keep_ratio=True), | |
| dict(type='RandomFlip', prob=0.5), | |
| dict(type='PackDetInputs') | |
| ] | |
| ``` | |
| </td> | |
| </tr> | |
| </table> | |
| 对于 test_pipeline，除了将 `Normalize` 和 `Pad` 这两个 transform 去掉之外，我们也将测试时的数据增强（TTA）与普通的测试流程分开，移除了 `MultiScaleFlipAug`。关于新版的 TTA 如何使用，详见[TTA 文档](../advanced_guides/tta.md)。 | |
| 下面同样以 Mask R-CNN 1x 的 test_pipeline 为例，介绍如何将 2.x 版本的配置迁移到 3.x 版本： | |
| <table class="docutils"> | |
| <tr> | |
| <td>原配置</td> | |
| <td> | |
| ```python | |
| test_pipeline = [ | |
| dict(type='LoadImageFromFile'), | |
| dict( | |
| type='MultiScaleFlipAug', | |
| img_scale=(1333, 800), | |
| flip=False, | |
| transforms=[ | |
| dict(type='Resize', keep_ratio=True), | |
| dict(type='RandomFlip'), | |
| dict(type='Normalize', **img_norm_cfg), | |
| dict(type='Pad', size_divisor=32), | |
| dict(type='ImageToTensor', keys=['img']), | |
| dict(type='Collect', keys=['img']), | |
| ]) | |
| ] | |
| ``` | |
| </td> | |
| <tr> | |
| <td>新配置</td> | |
| <td> | |
| ```python | |
| test_pipeline = [ | |
| dict(type='LoadImageFromFile'), | |
| dict(type='Resize', scale=(1333, 800), keep_ratio=True), | |
| dict( | |
| type='PackDetInputs', | |
| meta_keys=('img_id', 'img_path', 'ori_shape', 'img_shape', | |
| 'scale_factor')) | |
| ] | |
| ``` | |
| </td> | |
| </tr> | |
| </table> | |
| 除此之外，我们还对一些数据增强进行了重构，下表列出了 2.x 版本中的 transform 与 3.x 版本中的 transform 的对应关系： | |
| <table class="docutils"> | |
| <thead> | |
| <tr> | |
| <th>名称</th> | |
| <th>原配置</th> | |
| <th>新配置</th> | |
| </tr> | |
| </thead> | |
| <tbody> | |
| <tr> | |
| <td>Resize</td> | |
| <td> | |
| ```python | |
| dict(type='Resize', | |
| img_scale=(1333, 800), | |
| keep_ratio=True) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| dict(type='Resize', | |
| scale=(1333, 800), | |
| keep_ratio=True) | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>RandomResize</td> | |
| <td> | |
| ```python | |
| dict( | |
| type='Resize', | |
| img_scale=[ | |
| (1333, 640), (1333, 800)], | |
| multiscale_mode='range', | |
| keep_ratio=True) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| dict( | |
| type='RandomResize', | |
| scale=[ | |
| (1333, 640), (1333, 800)], | |
| keep_ratio=True) | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>RandomChoiceResize</td> | |
| <td> | |
| ```python | |
| dict( | |
| type='Resize', | |
| img_scale=[ | |
| (1333, 640), (1333, 672), | |
| (1333, 704), (1333, 736), | |
| (1333, 768), (1333, 800)], | |
| multiscale_mode='value', | |
| keep_ratio=True) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| dict( | |
| type='RandomChoiceResize', | |
| scales=[ | |
| (1333, 640), (1333, 672), | |
| (1333, 704), (1333, 736), | |
| (1333, 768), (1333, 800)], | |
| keep_ratio=True) | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>RandomFlip</td> | |
| <td> | |
| ```python | |
| dict(type='RandomFlip', | |
| flip_ratio=0.5) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| dict(type='RandomFlip', | |
| prob=0.5) | |
| ``` | |
| </td> | |
| </tr> | |
| </tbody> | |
| </table> | |
| ### 评测器配置 | |
| 在 3.x 版本中，模型精度评测不再与数据集绑定，而是通过评测器（Evaluator）来完成。 | |
| 评测器配置分为 val_evaluator 和 test_evaluator 两部分，其中 val_evaluator 用于验证集评测，test_evaluator 用于测试集评测，对应 2.x 版本中的 evaluation 字段。 | |
| 下表列出了 2.x 版本与 3.x 版本中的评测器的对应关系： | |
| <table class="docutils"> | |
| <thead> | |
| <tr> | |
| <th>评测指标名称</th> | |
| <th>原配置</th> | |
| <th>新配置</th> | |
| </tr> | |
| </thead> | |
| <tbody> | |
| <tr> | |
| <td>COCO</td> | |
| <td> | |
| ```python | |
| data = dict( | |
| val=dict( | |
| type='CocoDataset', | |
| ann_file=data_root + 'annotations/instances_val2017.json')) | |
| evaluation = dict(metric=['bbox', 'segm']) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| val_evaluator = dict( | |
| type='CocoMetric', | |
| ann_file=data_root + 'annotations/instances_val2017.json', | |
| metric=['bbox', 'segm'], | |
| format_only=False) | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>Pascal VOC</td> | |
| <td> | |
| ```python | |
| data = dict( | |
| val=dict( | |
| type=dataset_type, | |
| ann_file=data_root + 'VOC2007/ImageSets/Main/test.txt')) | |
| evaluation = dict(metric='mAP') | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| val_evaluator = dict( | |
| type='VOCMetric', | |
| metric='mAP', | |
| eval_mode='11points') | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>OpenImages</td> | |
| <td> | |
| ```python | |
| data = dict( | |
| val=dict( | |
| type='OpenImagesDataset', | |
| ann_file=data_root + 'annotations/validation-annotations-bbox.csv', | |
| img_prefix=data_root + 'OpenImages/validation/', | |
| label_file=data_root + 'annotations/class-descriptions-boxable.csv', | |
| hierarchy_file=data_root + | |
| 'annotations/bbox_labels_600_hierarchy.json', | |
| meta_file=data_root + 'annotations/validation-image-metas.pkl', | |
| image_level_ann_file=data_root + | |
| 'annotations/validation-annotations-human-imagelabels-boxable.csv')) | |
| evaluation = dict(interval=1, metric='mAP') | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| val_evaluator = dict( | |
| type='OpenImagesMetric', | |
| iou_thrs=0.5, | |
| ioa_thrs=0.5, | |
| use_group_of=True, | |
| get_supercategory=True) | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>CityScapes</td> | |
| <td> | |
| ```python | |
| data = dict( | |
| val=dict( | |
| type='CityScapesDataset', | |
| ann_file=data_root + | |
| 'annotations/instancesonly_filtered_gtFine_val.json', | |
| img_prefix=data_root + 'leftImg8bit/val/', | |
| pipeline=test_pipeline)) | |
| evaluation = dict(metric=['bbox', 'segm']) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| val_evaluator = [ | |
| dict( | |
| type='CocoMetric', | |
| ann_file=data_root + | |
| 'annotations/instancesonly_filtered_gtFine_val.json', | |
| metric=['bbox', 'segm']), | |
| dict( | |
| type='CityScapesMetric', | |
| ann_file=data_root + | |
| 'annotations/instancesonly_filtered_gtFine_val.json', | |
| seg_prefix=data_root + '/gtFine/val', | |
| outfile_prefix='./work_dirs/cityscapes_metric/instance') | |
| ] | |
| ``` | |
| </td> | |
| </tr> | |
| </tbody> | |
| </table> | |
| ## 训练和测试的配置 | |
| <table class="docutils"> | |
| <tr> | |
| <td>原配置</td> | |
| <td> | |
| ```python | |
| runner = dict( | |
| type='EpochBasedRunner', # 训练循环的类型 | |
| max_epochs=12) # 最大训练轮次 | |
| evaluation = dict(interval=2) # 验证间隔。每 2 个 epoch 验证一次 | |
| ``` | |
| </td> | |
| <tr> | |
| <td>新配置</td> | |
| <td> | |
| ```python | |
| train_cfg = dict( | |
| type='EpochBasedTrainLoop', # 训练循环的类型，请参考 https://github.com/open-mmlab/mmengine/blob/main/mmengine/runner/loops.py | |
| max_epochs=12, # 最大训练轮次 | |
| val_interval=2) # 验证间隔。每 2 个 epoch 验证一次 | |
| val_cfg = dict(type='ValLoop') # 验证循环的类型 | |
| test_cfg = dict(type='TestLoop') # 测试循环的类型 | |
| ``` | |
| </td> | |
| </tr> | |
| </table> | |
| ## 优化相关配置 | |
| 优化器以及梯度裁剪的配置都移至 optim_wrapper 字段中。下表列出了 2.x 版本与 3.x 版本中的优化器配置的对应关系： | |
| <table class="docutils"> | |
| <tr> | |
| <td>原配置</td> | |
| <td> | |
| ```python | |
| optimizer = dict( | |
| type='SGD', # 随机梯度下降优化器 | |
| lr=0.02, # 基础学习率 | |
| momentum=0.9, # 带动量的随机梯度下降 | |
| weight_decay=0.0001) # 权重衰减 | |
| optimizer_config = dict(grad_clip=None) # 梯度裁剪的配置，设置为 None 关闭梯度裁剪 | |
| ``` | |
| </td> | |
| <tr> | |
| <td>新配置</td> | |
| <td> | |
| ```python | |
| optim_wrapper = dict( # 优化器封装的配置 | |
| type='OptimWrapper', # 优化器封装的类型。可以切换至 AmpOptimWrapper 来启用混合精度训练 | |
| optimizer=dict( # 优化器配置。支持 PyTorch 的各种优化器。请参考 https://pytorch.org/docs/stable/optim.html#algorithms | |
| type='SGD', # 随机梯度下降优化器 | |
| lr=0.02, # 基础学习率 | |
| momentum=0.9, # 带动量的随机梯度下降 | |
| weight_decay=0.0001), # 权重衰减 | |
| clip_grad=None, # 梯度裁剪的配置，设置为 None 关闭梯度裁剪。使用方法请见 https://mmengine.readthedocs.io/en/latest/tutorials/optimizer.html | |
| ) | |
| ``` | |
| </td> | |
| </tr> | |
| </table> | |
| 学习率的配置也从 lr_config 字段中移至 param_scheduler 字段中。param_scheduler 的配置更贴近 PyTorch 的学习率调整策略，更加灵活。下表列出了 2.x 版本与 3.x 版本中的学习率配置的对应关系： | |
| <table class="docutils"> | |
| <tr> | |
| <td>原配置</td> | |
| <td> | |
| ```python | |
| lr_config = dict( | |
| policy='step', # 在训练过程中使用 multi step 学习率策略 | |
| warmup='linear', # 使用线性学习率预热 | |
| warmup_iters=500, # 到第 500 个 iteration 结束预热 | |
| warmup_ratio=0.001, # 学习率预热的系数 | |
| step=[8, 11], # 在哪几个 epoch 进行学习率衰减 | |
| gamma=0.1) # 学习率衰减系数 | |
| ``` | |
| </td> | |
| <tr> | |
| <td>新配置</td> | |
| <td> | |
| ```python | |
| param_scheduler = [ | |
| dict( | |
| type='LinearLR', # 使用线性学习率预热 | |
| start_factor=0.001, # 学习率预热的系数 | |
| by_epoch=False, # 按 iteration 更新预热学习率 | |
| begin=0, # 从第一个 iteration 开始 | |
| end=500), # 到第 500 个 iteration 结束 | |
| dict( | |
| type='MultiStepLR', # 在训练过程中使用 multi step 学习率策略 | |
| by_epoch=True, # 按 epoch 更新学习率 | |
| begin=0, # 从第一个 epoch 开始 | |
| end=12, # 到第 12 个 epoch 结束 | |
| milestones=[8, 11], # 在哪几个 epoch 进行学习率衰减 | |
| gamma=0.1) # 学习率衰减系数 | |
| ] | |
| ``` | |
| </td> | |
| </tr> | |
| </table> | |
| 关于其他的学习率调整策略的迁移，请参考 MMEngine 的[学习率迁移文档](https://mmengine.readthedocs.io/zh_CN/latest/migration/param_scheduler.html)。 | |
| ## 其他配置的迁移 | |
| ### 保存 checkpoint 的配置 | |
| <table class="docutils"> | |
| <thead> | |
| <tr> | |
| <th>功能</th> | |
| <th>原配置</th> | |
| <th>新配置</th> | |
| </tr> | |
| </thead> | |
| <tbody> | |
| <tr> | |
| <td>设置保存间隔</td> | |
| <td> | |
| ```python | |
| checkpoint_config = dict( | |
| interval=1) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| default_hooks = dict( | |
| checkpoint=dict( | |
| type='CheckpointHook', | |
| interval=1)) | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>保存最佳模型</td> | |
| <td> | |
| ```python | |
| evaluation = dict( | |
| save_best='auto') | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| default_hooks = dict( | |
| checkpoint=dict( | |
| type='CheckpointHook', | |
| save_best='auto')) | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>只保留最新的几个模型</td> | |
| <td> | |
| ```python | |
| checkpoint_config = dict( | |
| max_keep_ckpts=3) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| default_hooks = dict( | |
| checkpoint=dict( | |
| type='CheckpointHook', | |
| max_keep_ckpts=3)) | |
| ``` | |
| </td> | |
| </tr> | |
| </tbody> | |
| </table> | |
| ### 日志的配置 | |
| 3.x 版本中，日志的打印和可视化由 MMEngine 中的 logger 和 visualizer 分别完成。下表列出了 2.x 版本与 3.x 版本中的日志配置的对应关系： | |
| <table class="docutils"> | |
| <thead> | |
| <tr> | |
| <th>功能</th> | |
| <th>原配置</th> | |
| <th>新配置</th> | |
| </tr> | |
| </thead> | |
| <tbody> | |
| <tr> | |
| <td>设置日志打印间隔</td> | |
| <td> | |
| ```python | |
| log_config = dict( | |
| interval=50) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| default_hooks = dict( | |
| logger=dict( | |
| type='LoggerHook', | |
| interval=50)) | |
| # 可选： 配置日志打印数值的平滑窗口大小 | |
| log_processor = dict( | |
| type='LogProcessor', | |
| window_size=50) | |
| ``` | |
| </td> | |
| </tr> | |
| <tr> | |
| <td>使用 TensorBoard 或 WandB 可视化日志</td> | |
| <td> | |
| ```python | |
| log_config = dict( | |
| interval=50, | |
| hooks=[ | |
| dict(type='TextLoggerHook'), | |
| dict(type='TensorboardLoggerHook'), | |
| dict(type='MMDetWandbHook', | |
| init_kwargs={ | |
| 'project': 'mmdetection', | |
| 'group': 'maskrcnn-r50-fpn-1x-coco' | |
| }, | |
| interval=50, | |
| log_checkpoint=True, | |
| log_checkpoint_metadata=True, | |
| num_eval_images=100) | |
| ]) | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| vis_backends = [ | |
| dict(type='LocalVisBackend'), | |
| dict(type='TensorboardVisBackend'), | |
| dict(type='WandbVisBackend', | |
| init_kwargs={ | |
| 'project': 'mmdetection', | |
| 'group': 'maskrcnn-r50-fpn-1x-coco' | |
| }) | |
| ] | |
| visualizer = dict( | |
| type='DetLocalVisualizer', vis_backends=vis_backends, name='visualizer') | |
| ``` | |
| </td> | |
| </tr> | |
| </tbody> | |
| </table> | |
| 关于可视化相关的教程，请参考 MMDetection 的[可视化教程](../user_guides/visualization.md)。 | |
| ### Runtime 的配置 | |
| 3.x 版本中 runtime 的配置字段有所调整，具体的对应关系如下： | |
| <table class="docutils"> | |
| <thead> | |
| <tr> | |
| <th>原配置</th> | |
| <th>新配置</th> | |
| </tr> | |
| </thead> | |
| <tbody> | |
| <tr> | |
| <td> | |
| ```python | |
| cudnn_benchmark = False | |
| opencv_num_threads = 0 | |
| mp_start_method = 'fork' | |
| dist_params = dict(backend='nccl') | |
| log_level = 'INFO' | |
| load_from = None | |
| resume_from = None | |
| ``` | |
| </td> | |
| <td> | |
| ```python | |
| env_cfg = dict( | |
| cudnn_benchmark=False, | |
| mp_cfg=dict(mp_start_method='fork', | |
| opencv_num_threads=0), | |
| dist_cfg=dict(backend='nccl')) | |
| log_level = 'INFO' | |
| load_from = None | |
| resume = False | |
| ``` | |
| </td> | |
| </tr> | |
| </tbody> | |
| </table> | |