课程

mim很好用，感觉需要更多地研究一下

流程

下载配置文件和模型

1
mim download mmcls --config mobilenetblablabla --dest .

使用API

1
2
3
4
5
6
from mmcls.apis import init_model, inference_model
model = init_model('config.py', 'model.pth', device='cuda:0')
result = inference_model(model, 'pic.jpg')

from mmcls.apis import show_result_pyplot
show_result_pyplot(model, 'pic.jpg', result)

修改配置文件

1
2
3
4
5
6
7
8
num_classes = 10
load_from = 'model_path.pth'
type = 'CustomDataset'
ann_file = None # 为空则按文件夹结构推断
lr = 0.005 # n卡至1k、微调训练均需降低lr
runner = dict(type='EpochBasedRunner', max_epochs=5)
checkpoint_config # 可适度升高避免频繁存储模型
log_config # 可适度提升

开始训练

1
mim train mmcls mobilenet-v2_fruit.py

作业记录

作业很简单。top-1能到95以上。进阶作业比较同质化，又没啥原创性的想法改网络结构，懒得做了。一些注意事项记录如下。

解决ImportError: cannot import name 'blablabla' from 'mmcv'问题：重装mmcv-full

  1. pip list | grep mmcv 发现有mmcv和mmcv-full
  2. 卸载mmcv
  3. 重装mmcv-full：mim uninstall mmcv-full + mim install mmcv-full

更新pip包：pip install -U

mim命令行工具很好用，调config文件的时候用非常方便，且下载的config文件是完整而非基于__base__的。

1
mim download mmcls --config mobilenet-v2_8xb32_in1k --dest .

关于保存最好的一次，请见issue和我的回答。

关于evaluation其实有一些令人迷惑的地方，比如这里的metric='accuracy'和ClsHead里的topk=(1, 5)之间有什么关系？config文件中是这样写的：

1
evaluation = dict(interval=1, metric='accuracy', save_best='accuracy_top-1')

这里的interval和save_best是传给EvalHook的，而metric等其他参数则是传给CustomDataset（或其他数据集类）的。实际上还有别的metric，base_dataset.py代码文件中evaluate函数是这样写的

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
# def evaluate(...):
  # ...
  if metric_options is None:
    metric_options = {'topk': (1, 5)}
  if isinstance(metric, str):
    metrics = [metric]
  else:
    metrics = metric
  allowed_metrics = [
    'accuracy', 'precision', 'recall', 'f1_score', 'support'
  ]
  # ...
  if 'accuracy' in metrics:
    if thrs is not None:
      acc = accuracy(results, gt_labels, topk=topk, thrs=thrs)
    else:
      acc = accuracy(results, gt_labels, topk=topk)
    if isinstance(topk, tuple):
      eval_results_ = {
          f'accuracy_top-{k}': a
          for k, a in zip(topk, acc)
      }
    else:
      eval_results_ = {'accuracy': acc}
  # ...
  return eval_results

所以这个save_best传递的accuracy_top-1实际上是eval_result的一个key。