摘要

MMPretrain 是一个全新升级的预训练开源算法框架，旨在提供各种强大的预训练主干网络， 并支持了不同的预训练策略。MMPretrain 源自著名的开源项目 MMClassification 和 MMSelfSup，并开发了许多令人兴奋的新功能。 目前，预训练阶段对于视觉识别至关重要，凭借丰富而强大的预训练模型，我们能够改进各种下游视觉任务。

【课程链接】https://www.bilibili.com/video/BV1Ju4y1Z7ZE
【讲师介绍】马泽润 OpenMMLab算法工程师

MMPreTrain实战

安装

git clone https://github.com/open-mmlab/mmpretrain.git
cd mmpretrain
pip install -U openmim
mim install -e ".[multimodal]"

multimodal：代表安装额外安装多模态的模型

推理

调用脚本实现推理，代码如下：

python demo/image_demo.py ${IMAGE_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE}

OR 使用API

get_model 通过模型名称或模型配置文件获取模型
list_models 列举 MMPretrain 中所有可用模型名称
inference_model 使用与模型相对应任务的推理器进行推理
调用ResNet实例代码：

import mmpretrain
print(mmpretrain.__version__)from mmpretrain import get_model, list_models, inference_model
print(list_models(task='Image Classification', pattern  = 'resnet18'))print(list_models(task='Image Caption', pattern='blip'))
model = get_model('resnet18_8xb16_cifar10')
print(type(model))model  =  get_model( 'resnet18_8xb32_in1k')
print(type(model.backbone))

加载预训练模型推理

inference_model('blip-base_3rdparty_caption','demo/cat-dog.png',show=True)

数据集

CustomDataset OR ImageNet

子文件夹方式
标注文件方式
#配置文件
举例：resnet18_8xb32_in1k.py

_base_ = ['../_base_/models/resnet18.py',           # 模型配置'../_base_/datasets/imagenet_bs32.py',    # 数据配置'../_base_/schedules/imagenet_bs256.py',  # 训练策略配置'../_base_/default_runtime.py'            # 默认运行设置
]

训练与测试

训练

python tools/train.py ${CONFIG_FILE} [ARGS]

测试

python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [ARGS]

微调

数据集地址：https://download.openmmlab.com/mmclassification/dataset/cats_dogs_dataset.tar
在MMpretrain下面新建data文件夹，然后将数据集解压后，放进去。
查看模型，输入命令：

ls configs

查看具体模型的配置文件，ResNet为例：

ls configs/resnet

打开文件resnet18_8xb32_in1k.py，查看具体的内容：

_base_ = ['../_base_/models/resnet18.py', '../_base_/datasets/imagenet_bs32.py','../_base_/schedules/imagenet_bs256.py', '../_base_/default_runtime.py'
]

../_base_/models/resnet18.py：模型文件，通过配置的方式，实现模型。
../_base_/datasets/imagenet_bs32.py：数据集配置。
../_base_/schedules/imagenet_bs256.py:规划配置
../_base_/default_runtime.py：运行配置
default_runtime的配置修改：

   # save checkpoint per epoch.checkpoint=dict(type='CheckpointHook', interval=1,max_keep_ckpts=5,sava_best="auto"),

保存最好的5个模型，自动保存最好的模型。

设置类别，和预训练权重路径。

设置成自定义数据集格式

配置数据集路径


分析结果：