MMDetection-运行时
簡介
在之前的文章中，已經介紹了配置文件、數據、模型等方面的內容，在配置文件那篇文章中其實簡單介紹了部分運行時相關的內容，本文將詳細展開。需要說明的時，官方是將runtime與schedule區分開的，不過從配置繼承的角度來看，它們可以放到一起，因此本文都將其視為運行時配置。
運行時定制
自定義優化器
MMDetection支持所有的PyTorch定義的優化器（optimizer），如果想要使用某個優化器只需要修改配置文件中optimizer字段即可，比如想要使用Adam優化器則在配置文件中寫入下面一行。
optimizer = dict(type='Adam', lr=0.0003, weight_decay=0.0001)當然，往往我們需要使用自己實現的優化器，那么按照規范，需要在項目根目錄下的mmdet/core/optimizer/下創建自定義的Python腳本，如mmdet/core/optimizer/my_optimizer.py文件并寫入如下內容，創建自定義MyOptimizer的方式和PyTorch中類似，只是需要注冊為MMDetection識別的OPTIMIZERS即可。
from .registry import OPTIMIZERS from torch.optim import Optimizer@OPTIMIZERS.register_module() class MyOptimizer(Optimizer):def __init__(self, a, b, c):pass然后，為了能夠在配置文件中找到這個優化器，需要在mmdet/core/optimizer/__init__.py文件中導入該優化器，也就是添加下面的一行內容。
from .my_optimizer import MyOptimizer此時，就可以在配置文件中修改optimizer字段來使用自定義的優化器了，示例如下。
optimizer = dict(type='MyOptimizer', a=a_value, b=b_value, c=c_value)除了自定義優化器，我們有時候還需要對優化器進行一些額外配置，這是官方優化器并沒有實現的功能，就需要通過optimizer constructor（優化器構建器）來實現，常用的一些trick如下。
-
梯度裁剪
在配置文件中添加如下字段，其中的grad_clip參數控制梯度裁剪。
optimizer_config = dict(_delete_=True, grad_clip=dict(max_norm=35, norm_type=2)) -
動量調度
MMDetection支持依據學習率動態調整動量使得訓練收斂加快，示例如下。
lr_config = dict( policy='cyclic', target_ratio=(10, 1e-4), cyclic_times=1, step_ratio_up=0.4, ) momentum_config = dict(policy='cyclic',target_ratio=(0.85 / 0.95, 1),cyclic_times=1,step_ratio_up=0.4, )
自定義訓練調度
默認情況下，我們使用的是configs/_base_/schedules/schedule_1x.py中的調度設置，這是默認的Step LR調度，在MMCV中為StepLRHook，同時MMDetection也支持其他的調度器，如余弦調度（CosineAnneaing），在配置文件中及那個lr_config字段修改如下即可使用余弦調度。
lr_config = dict(policy='CosineAnnealing',warmup='linear',warmup_iters=1000,warmup_ratio=1.0 / 10,min_lr_ratio=1e-5)自定義工作流
在MMDetection中，工作流決定整體的工作流程（包括運行順序和輪數），它是一個元素格式為(phase, epochs)的列表。默認情況下其設置為workflow = [('train', 1)]，這表示僅僅運行一輪訓練，常常我們需要在驗證集上評估模型的泛化能力（通過計算某些metric），此時可以設置工作流為[('train', 1), ('val', 1)]，這樣就會迭代進行一輪訓練一輪驗證。需要注意的是，這里控制的只是一次操作，也就是說，它是不能控制整個調度的，如[('train', 2), ('val', 1)]表示每訓練兩輪進行一輪驗證。
此外還需要注意，驗證時不會更新模型參數，且我們是通過total_epochs字段控制訓練總倫數的，這不會影響驗證工作流的進行。
Hook
自定義Hook的內容可以參考MMCV的教程，這里不多贅述，介紹幾個常用的Hook，它們由MMCV定義，只需要在配置文件中添加對應內容即可應用。比如我們想要在配置中使用MMCV自定義的NumClassCheckHook來檢查head中的num_classes是否匹配dataset中的CLASSES長度，那么可以在 default_runtime.py中添加如下字段。
此外，還有不少常用的hook沒有注冊在custom_hooks中，主要有如下的幾種。
- log_config
- checkpoint_config
- evaluation
- lr_config
- optimizer_config
- momentum_config
其中，optimizer_config、momentum_config和lr_config上文已經涉及了，這里不再介紹，介紹剩下的三個的作用。
Checkpoint config來源于MMCV中的CheckpointHook，用于控制模型參數的本地保存，可以在配置文件中添加如下字段來設置，其中常用的參數有三個，interval表示保存頻率（多少輪進行一次保存），save_optimizer表示是否保存優化器參數，max_keep_ckpts表示最大保存數目（常常我們只需要最后的幾個模型，不需要所有輪的）。
checkpoint_config = dict(interval=1, save_optimizer=True, max_keep_ckpts=-1)log_config是很多logger hooks的包裝器并且統一設置保存頻率（interval同上），用于訓練記錄日志的保存，目前MMCV支持了三種WandbLoggerHook、MlflowLoggerHook和TensorboardLoggerHook，默認MMDetection設置的日志記錄配置如下，只以文本的方式記錄訓練日志，建議打開Tensorboard記錄。
log_config = dict(interval=50,hooks=[dict(type='TextLoggerHook'),# dict(type='TensorboardLoggerHook')])evaluation字段用來初始化EvalHook控制模型的評估，除了上面的interval外，你還需要設置如評估指標metric來傳遞給dataset.evaluate()方法， 默認的評估設置如下。
evaluation = dict(interval=1, metric='bbox')總結
本文介紹了MMDetection中運行時相關的配置，官方教程也有對應。最后，如果我的文章對你有所幫助，歡迎點贊收藏評論一鍵三連，你的支持是我不懈創作的動力。
超強干貨來襲 云風專訪：近40年碼齡，通宵達旦的技術人生總結
以上是生活随笔為你收集整理的MMDetection-运行时的全部內容，希望文章能夠幫你解決所遇到的問題。
