MMClassification 图像分类代码实战
文章目录
MMClassification
丰富的模型
- 卷积神经网络
- VGG
- ResNet & Variants
- ResNeXt
- SE-ResNe(X)t
- DenseNet
- ResNeSt
- HRNet
- EfficientNet
- RegNet
- ConvNeXt
- ……
- 轻量化卷积网络
- MobileNet V2/V3
- ShuffleNet V1/V2
- ……
- Transformer 模型
- ViT
- MLP-Mixer
- Conformer
- DeiT
- SwinTransformer
- ……
数据集支持
- MNIST / CIFAR
- ImageNet 1K / 21K
- 自定义数据集
训练技巧与策略
- 优化器与学习率策略
- 数据增强策略
易用的工具
- 大量预置配置文件、预训练模型
- Python 推理API
- 模型训练工具
- CAM 可解释性分析
- （配合MMDeploy）部署工具
模块化设计
Python 推理API
# 下载配置文件和与训练权重
$ mim download mmcls --config mobilenet-v2_8xb32_in1k --dest .
# 使用Python API 推理
from mmcls.apis import init_model, inference_model, show_result_pyplot
model = init_model('mobilenet-v2_8xb32_in1k.py',
'mobilenet_v2_batch256_imagenet_20200708-3b2dc3af.pth',
device='cuda:0')
result = inference_model(model, 'banana.png')
show_result_pyplot(model, 'banana.png', result)
# 推理结果result
{'pred_class': 'banana’,
'pred_label': 954,
'pred_score': 0.9999284744262695}推理工具
单张图像推理
python demo/image_demo.py ${IMAGE_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE}在测试集上测试
单卡
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--metrics ${METRICS}] [--out
${RESULT_FILE}]多机多卡
./tools/dist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--metrics ${METRICS}] [--out ${RESULT_FILE}]使用说明：https://mmclassification.readthedocs.io/en/latest/getting_started.html#inference-asingle-image
训练工具
单卡训练
python tools/train.py ${CONFIG_FILE} [optional arguments]单机、多机多卡训练
./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]使用任务调度器Slurm 启动任务
[GPUS=${GPUS}] ./tools/slurm_train.sh ${PARTITION} ${JOB_NAME} ${CONFIG_FILE} ${WORK_DIR}从checkpoint 恢复训练
增加--resume-from ${CHECKPOINT_FILE} 参数使用说明：https://mmclassification.readthedocs.io/en/latest/getting_started.html#train-a-model
使用MIM 工具实现训练和测试
MIM 为所有OpenMMLab 工具提供了统一的命令行接口
下载配置文件和预训练权重
mim download mmcls --config mobilenet-v2_8xb32_in1k --dest .训练（支持单卡、多卡、Slurm 任务管理器）
mim train mmcls {参数同mmcls 自己的train.py}
mim train mmcls {参数同mmcls 自己的train.py} -G 4 –g 4 –p ${PARTITION} --launcher slurm测试
mim test mmcls {参数同mmcls 自己的test.py} --gpus 4 --launcher pytorch使用说明：https://github.com/open-mmlab/mim
环境搭建
可以使用MIM 配置MMCV 和MMClassification
OpenMMLab 项目——配置文件
深度学习模型的训练涉及几个方面：
- 模型结构模型有几层、每层多少通道数等等
- 数据集用什么数据训练模型：数据集划分、数据文件路径、数据增强策略等等
- 训练策略梯度下降算法、学习率参数、batch_size、训练总轮次、学习率变化策略等等
- 运行时GPU、分布式环境配置等等
- 一些辅助功能如打印日志、定时保存checkpoint等等
在OpenMMLab 项目中，所有这些项目都涵盖在一个配置文件中，一个配置文件定义了一个完整的训练过程
- model 字段定义模型
- data 字段定义数据
- optimizer、lr_config 等字段定义训练策略
- load_from 字段定义与训练模型的参数文件
配置文件的运作方式
也适用于其他OpenMMLab 工具包
图像分类模型的构成
图像分类模型构建
数据集构建
定义数据加载流水线
https://mmclassification.readthedocs.io/en/latest/modelzoo_statistics.html
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2023-02-04，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
