教程 1: 学习配置文件

我们在配置文件中支持了继承和模块化来方便进行各种实验。
如果需要检查配置文件，可以通过运行 python tools/misc/print_config.py /PATH/TO/CONFIG 来查看完整的配置。
你也可以传入 --options xxx.yyy=zzz 参数来查看更新后的配置。

配置文件结构

在 config/_base_ 文件夹下有 4 个基本组件类型，分别是：数据集 (dataset)，模型 (model)，训练策略 (schedule) 和运行时的默认设置 (default runtime)。
通过从上述每个文件夹中选取一个组件进行组合，许多方法如 SECOND、PointPillars、PartA2 和 VoteNet 都能够很容易地构建出来。
由 _base_ 下的组件组成的配置，被我们称为 原始配置 (primitive)。

对于同一文件夹下的所有配置，推荐只有一个对应的 原始配置 文件，所有其他的配置文件都应该继承自这个 原始配置 文件，这样就能保证配置文件的最大继承深度为 3。

为了便于理解，我们建议贡献者继承现有方法。
例如，如果在 PointPillars 的基础上做了一些修改，用户首先可以通过指定 _base_ = ../pointpillars/hv_pointpillars_fpn_sbn-all_4x8_2x_nus-3d.py 来继承基础的 PointPillars 结构，然后修改配置文件中的必要参数以完成继承。

如果你在构建一个与任何现有方法不共享结构的全新方法，可以在 configs 文件夹下创建一个新的例如 xxx_rcnn 文件夹。

更多细节请参考 MMCV 文档。

配置文件名称风格

我们遵循以下样式来命名配置文件，并建议贡献者遵循相同的风格。

{model}_[model setting]_{backbone}_{neck}_[norm setting]_[misc]_[gpu x batch_per_gpu]_{schedule}_{dataset}

{xxx} 是被要求填写的字段而 [yyy] 是可选的。

{model}：模型种类，例如 hv_pointpillars (Hard Voxelization PointPillars)、VoteNet 等。
[model setting]：某些模型的特殊设定。
{backbone}：主干网络种类例如 regnet-400mf、regnet-1.6gf 等。
{neck}：模型颈部的种类包括 fpn、secfpn 等。
[norm_setting]：如无特殊声明，默认使用 bn (Batch Normalization)，其他类型可以有 gn (Group Normalization)、sbn (Synchronized Batch Normalization) 等。
gn-head/gn-neck 表示 GN 仅应用于网络的头部或颈部，而 gn-all 表示 GN 用于整个模型，例如主干网络、颈部和头部。
[misc]：模型中各式各样的设置/插件，例如 strong-aug 意味着在训练过程中使用更强的数据增广策略。
[batch_per_gpu x gpu]：每个 GPU 的样本数和 GPU 数量，默认使用 4x8。
{schedule}：训练方案，选项是 1x、2x、20e 等。
1x 和 2x 分别代表训练 12 和 24 轮。
20e 在级联模型中使用，表示训练 20 轮。
对于 1x/2x，初始学习率在第 8/16 和第 11/22 轮衰减 10 倍；对于 20e，初始学习率在第 16 和第 19 轮衰减 10 倍。
{dataset}：数据集，例如 nus-3d、kitti-3d、lyft-3d、scannet-3d、sunrgbd-3d 等。
当某一数据集存在多种设定时，我们也标记下所使用的类别数量，例如 kitti-3d-3class 和 kitti-3d-car 分别意味着在 KITTI 的所有三类上和单独车这一类上进行训练。

弃用的 train_cfg/test_cfg

遵循 MMDetection 的做法，我们在配置文件中弃用 train_cfg 和 test_cfg，请在模型配置中指定它们。
原始的配置结构如下：

# 已经弃用的形式
model = dict(type=...,...
)
train_cfg=dict(...)
test_cfg=dict(...)

迁移后的配置结构如下：

# 推荐的形式
model = dict(type=...,...train_cfg=dict(...),test_cfg=dict(...),
)

VoteNet 配置文件示例

model = dict(type='VoteNet',  # 检测器的类型，更多细节请参考 mmdet3d.models.detectorsbackbone=dict(type='PointNet2SASSG',  # 主干网络的类型，更多细节请参考 mmdet3d.models.backbonesin_channels=4,  # 点云输入通道数num_points=(2048, 1024, 512, 256),  # 每个 SA 模块采样的中心点的数量radius=(0.2, 0.4, 0.8, 1.2),  # 每个 SA 层的半径num_samples=(64, 32, 16, 16),  # 每个 SA 层聚集的点的数量sa_channels=((64, 64, 128), (128, 128, 256), (128, 128, 256),(128, 128, 256)),  # SA 模块中每个多层感知器的输出通道数fp_channels=((256, 256), (256, 256)),  # FP 模块中每个多层感知器的输出通道数norm_cfg=dict(type='BN2d'),  # 归一化层的配置sa_cfg=dict(  # 点集抽象 (SA) 模块的配置type='PointSAModule',  # SA 模块的类型pool_mod='max',  # SA 模块的池化方法 (最大池化或平均池化)use_xyz=True,  # 在特征聚合中是否使用 xyz 坐标normalize_xyz=True)),  # 在特征聚合中是否使用标准化的 xyz 坐标bbox_head=dict(type='VoteHead',  # 检测框头的类型，更多细节请参考 mmdet3d.models.dense_headsnum_classes=18,  # 分类的类别数量bbox_coder=dict(type='PartialBinBasedBBoxCoder',  # 框编码层的类型，更多细节请参考 mmdet3d.core.bbox.codersnum_sizes=18,  # 尺寸聚类的数量num_dir_bins=1,   # 编码方向角的间隔数with_rot=False,  # 框是否带有旋转角度mean_sizes=[[0.76966727, 0.8116021, 0.92573744],[1.876858, 1.8425595, 1.1931566],[0.61328, 0.6148609, 0.7182701],[1.3955007, 1.5121545, 0.83443564],[0.97949594, 1.0675149, 0.6329687],[0.531663, 0.5955577, 1.7500148],[0.9624706, 0.72462326, 1.1481868],[0.83221924, 1.0490936, 1.6875663],[0.21132214, 0.4206159, 0.5372846],[1.4440073, 1.8970833, 0.26985747],[1.0294262, 1.4040797, 0.87554324],[1.3766412, 0.65521795, 1.6813129],[0.6650819, 0.71111923, 1.298853],[0.41999173, 0.37906948, 1.7513971],[0.59359556, 0.5912492, 0.73919016],[0.50867593, 0.50656086, 0.30136237],[1.1511526, 1.0546296, 0.49706793],[0.47535285, 0.49249494, 0.5802117]]),  # 每一类的平均尺寸，其顺序与类名顺序相同vote_moudule_cfg=dict(  # 投票 (vote) 模块的配置，更多细节请参考 mmdet3d.models.model_utilsin_channels=256,  # 投票模块的输入通道数vote_per_seed=1,  # 对于每个种子点生成的投票数gt_per_seed=3,  # 每个种子点的真实标签个数conv_channels=(256, 256),  # 卷积通道数conv_cfg=dict(type='Conv1d'),  # 卷积配置norm_cfg=dict(type='BN1d'),  # 归一化层配置norm_feats=True,  # 是否标准化特征vote_loss=dict(  # 投票分支的损失函数配置type='ChamferDistance',  # 投票分支的损失函数类型mode='l1',  # 投票分支的损失函数模式reduction='none',  # 设置对损失函数输出的聚合方法loss_dst_weight=10.0)),  # 投票分支的目标损失权重vote_aggregation_cfg=dict(  # 投票聚合分支的配置type='PointSAModule',  # 投票聚合模块的类型num_point=256,  # 投票聚合分支中 SA 模块的点的数量radius=0.3,  # 投票聚合分支中 SA 模块的半径num_sample=16,  # 投票聚合分支中 SA 模块的采样点的数量mlp_channels=[256, 128, 128, 128],  # 投票聚合分支中 SA 模块的多层感知器的通道数use_xyz=True,  # 是否使用 xyz 坐标normalize_xyz=True),  # 是否使用标准化后的 xyz 坐标feat_channels=(128, 128),  # 特征卷积的通道数conv_cfg=dict(type='Conv1d'),  # 卷积的配置norm_cfg=dict(type='BN1d'),  # 归一化层的配置objectness_loss=dict(  # 物体性 (objectness) 损失函数的配置type='CrossEntropyLoss',  # 损失函数类型class_weight=[0.2, 0.8],  # 损失函数对每一类的权重reduction='sum',  # 设置损失函数输出的聚合方法loss_weight=5.0),  # 损失函数权重center_loss=dict(  # 中心 (center) 损失函数的配置type='ChamferDistance',  # 损失函数类型mode='l2',  # 损失函数模式reduction='sum',  # 设置损失函数输出的聚合方法loss_src_weight=10.0,  # 源损失权重loss_dst_weight=10.0),  # 目标损失权重dir_class_loss=dict(  # 方向分类损失函数的配置type='CrossEntropyLoss',  # 损失函数类型reduction='sum',  # 设置损失函数输出的聚合方法loss_weight=1.0),  # 损失函数权重dir_res_loss=dict(  # 方向残差 (residual) 损失函数的配置type='SmoothL1Loss',  # 损失函数类型reduction='sum',  # 设置损失函数输出的聚合方法loss_weight=10.0),  # 损失函数权重size_class_loss=dict(  # 尺寸分类损失函数的配置type='CrossEntropyLoss',  # 损失函数类型reduction='sum',  # 设置损失函数输出的聚合方法loss_weight=1.0),  # 损失函数权重size_res_loss=dict(  # 尺寸残差损失函数的配置type='SmoothL1Loss',  # 损失函数类型reduction='sum',  # 设置损失函数输出的聚合方法loss_weight=3.3333333333333335),  # 损失函数权重semantic_loss=dict(  # 语义损失函数的配置type='CrossEntropyLoss',  # 损失函数类型reduction='sum',  # 设置损失函数输出的聚合方法loss_weight=1.0)),  # 损失函数权重train_cfg = dict(  # VoteNet 训练的超参数配置pos_distance_thr=0.3,  # 距离 >= 0.3 阈值的样本将被视为正样本neg_distance_thr=0.6,  # 距离 < 0.6 阈值的样本将被视为负样本sample_mod='vote'),  # 采样方法的模式test_cfg = dict(  # VoteNet 测试的超参数配置sample_mod='seed',  # 采样方法的模式nms_thr=0.25,  # NMS 中使用的阈值score_thr=0.8,  # 剔除框的阈值per_class_proposal=False))  # 是否使用逐类提议框 (proposal)
dataset_type = 'ScanNetDataset'  # 数据集类型
data_root = './data/scannet/'  # 数据路径
class_names = ('cabinet', 'bed', 'chair', 'sofa', 'table', 'door', 'window','bookshelf', 'picture', 'counter', 'desk', 'curtain','refrigerator', 'showercurtrain', 'toilet', 'sink', 'bathtub','garbagebin')  # 类的名称
train_pipeline = [  # 训练流水线，更多细节请参考 mmdet3d.datasets.pipelinesdict(type='LoadPointsFromFile',  # 第一个流程，用于读取点，更多细节请参考 mmdet3d.datasets.pipelines.indoor_loadingshift_height=True,  # 是否使用变换高度load_dim=6,  # 读取的点的维度use_dim=[0, 1, 2]),  # 使用所读取点的哪些维度dict(type='LoadAnnotations3D',  # 第二个流程，用于读取标注，更多细节请参考 mmdet3d.datasets.pipelines.indoor_loadingwith_bbox_3d=True,  # 是否读取 3D 框with_label_3d=True,  # 是否读取 3D 框对应的类别标签with_mask_3d=True,  # 是否读取 3D 实例分割掩码with_seg_3d=True),  # 是否读取 3D 语义分割掩码dict(type='PointSegClassMapping',  # 选取有效的类别，更多细节请参考 mmdet3d.datasets.pipelines.point_seg_class_mappingvalid_cat_ids=(3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 16, 24, 28, 33, 34,36, 39),  # 所有有效类别的编号max_cat_id=40),  # 输入语义分割掩码中可能存在的最大类别编号dict(type='PointSample',  # 室内点采样，更多细节请参考 mmdet3d.datasets.pipelines.indoor_samplenum_points=40000),  # 采样的点的数量dict(type='IndoorFlipData',  # 数据增广流程，随机翻转点和 3D 框flip_ratio_yz=0.5,  # 沿着 yz 平面被翻转的概率flip_ratio_xz=0.5),  # 沿着 xz 平面被翻转的概率dict(type='IndoorGlobalRotScale',  # 数据增广流程，旋转并放缩点和 3D 框，更多细节请参考 mmdet3d.datasets.pipelines.indoor_augmentshift_height=True,  # 读取的点是否有高度这一属性rot_range=[-0.027777777777777776, 0.027777777777777776],  # 旋转角范围scale_range=None),  # 缩放尺寸范围dict(type='DefaultFormatBundle3D',  # 默认格式打包以收集读取的所有数据，更多细节请参考 mmdet3d.datasets.pipelines.formatingclass_names=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door','window', 'bookshelf', 'picture', 'counter', 'desk','curtain', 'refrigerator', 'showercurtrain', 'toilet','sink', 'bathtub', 'garbagebin')),dict(type='Collect3D',  # 最后一个流程，决定哪些键值对应的数据会被输入给检测器，更多细节请参考 mmdet3d.datasets.pipelines.formatingkeys=['points', 'gt_bboxes_3d', 'gt_labels_3d', 'pts_semantic_mask','pts_instance_mask'])
]
test_pipeline = [  # 测试流水线，更多细节请参考 mmdet3d.datasets.pipelinesdict(type='LoadPointsFromFile',  # 第一个流程，用于读取点，更多细节请参考 mmdet3d.datasets.pipelines.indoor_loadingshift_height=True,  # 是否使用变换高度load_dim=6,  # 读取的点的维度use_dim=[0, 1, 2]),  # 使用所读取点的哪些维度dict(type='PointSample',  # 室内点采样，更多细节请参考 mmdet3d.datasets.pipelines.indoor_samplenum_points=40000),  # 采样的点的数量dict(type='DefaultFormatBundle3D',  # 默认格式打包以收集读取的所有数据，更多细节请参考 mmdet3d.datasets.pipelines.formatingclass_names=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door','window', 'bookshelf', 'picture', 'counter', 'desk','curtain', 'refrigerator', 'showercurtrain', 'toilet','sink', 'bathtub', 'garbagebin')),dict(type='Collect3D',  # 最后一个流程，决定哪些键值对应的数据会被输入给检测器，更多细节请参考 mmdet3d.datasets.pipelines.formatingkeys=['points'])
]
eval_pipeline = [  # 模型验证或可视化所使用的流水线，更多细节请参考 mmdet3d.datasets.pipelinesdict(type='LoadPointsFromFile',  # 第一个流程，用于读取点，更多细节请参考 mmdet3d.datasets.pipelines.indoor_loadingshift_height=True,  # 是否使用变换高度load_dim=6,  # 读取的点的维度use_dim=[0, 1, 2]),  # 使用所读取点的哪些维度dict(type='DefaultFormatBundle3D',  # 默认格式打包以收集读取的所有数据，更多细节请参考 mmdet3d.datasets.pipelines.formatingclass_names=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door','window', 'bookshelf', 'picture', 'counter', 'desk','curtain', 'refrigerator', 'showercurtrain', 'toilet','sink', 'bathtub', 'garbagebin')),with_label=False),dict(type='Collect3D',  # 最后一个流程，决定哪些键值对应的数据会被输入给检测器，更多细节请参考 mmdet3d.datasets.pipelines.formatingkeys=['points'])
]
data = dict(samples_per_gpu=8,  # 单张 GPU 上的样本数workers_per_gpu=4,  # 每张 GPU 上用于读取数据的进程数train=dict(  # 训练数据集配置type='RepeatDataset',  # 数据集嵌套，更多细节请参考 https://github.com/open-mmlab/mmdetection/blob/master/mmdet/datasets/dataset_wrappers.pytimes=5,  # 重复次数dataset=dict(type='ScanNetDataset',  # 数据集类型data_root='./data/scannet/',  # 数据路径ann_file='./data/scannet/scannet_infos_train.pkl',  # 数据标注文件的路径pipeline=[  # 流水线，这里传入的就是上面创建的训练流水线变量dict(type='LoadPointsFromFile',shift_height=True,load_dim=6,use_dim=[0, 1, 2]),dict(type='LoadAnnotations3D',with_bbox_3d=True,with_label_3d=True,with_mask_3d=True,with_seg_3d=True),dict(type='PointSegClassMapping',valid_cat_ids=(3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 16, 24,28, 33, 34, 36, 39),max_cat_id=40),dict(type='PointSample', num_points=40000),dict(type='IndoorFlipData',flip_ratio_yz=0.5,flip_ratio_xz=0.5),dict(type='IndoorGlobalRotScale',shift_height=True,rot_range=[-0.027777777777777776, 0.027777777777777776],scale_range=None),dict(type='DefaultFormatBundle3D',class_names=('cabinet', 'bed', 'chair', 'sofa', 'table','door', 'window', 'bookshelf', 'picture','counter', 'desk', 'curtain', 'refrigerator','showercurtrain', 'toilet', 'sink', 'bathtub','garbagebin')),dict(type='Collect3D',keys=['points', 'gt_bboxes_3d', 'gt_labels_3d','pts_semantic_mask', 'pts_instance_mask'])],filter_empty_gt=False,  # 是否过滤掉空的标签框classes=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door','window', 'bookshelf', 'picture', 'counter', 'desk','curtain', 'refrigerator', 'showercurtrain', 'toilet','sink', 'bathtub', 'garbagebin'))),  # 类别名称val=dict(  # 验证数据集配置type='ScanNetDataset',  # 数据集类型data_root='./data/scannet/',  # 数据路径ann_file='./data/scannet/scannet_infos_val.pkl',  # 数据标注文件的路径pipeline=[  # 流水线，这里传入的就是上面创建的测试流水线变量dict(type='LoadPointsFromFile',shift_height=True,load_dim=6,use_dim=[0, 1, 2]),dict(type='PointSample', num_points=40000),dict(type='DefaultFormatBundle3D',class_names=('cabinet', 'bed', 'chair', 'sofa', 'table','door', 'window', 'bookshelf', 'picture','counter', 'desk', 'curtain', 'refrigerator','showercurtrain', 'toilet', 'sink', 'bathtub','garbagebin')),dict(type='Collect3D', keys=['points'])],classes=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door', 'window','bookshelf', 'picture', 'counter', 'desk', 'curtain','refrigerator', 'showercurtrain', 'toilet', 'sink', 'bathtub','garbagebin'),  # 类别名称test_mode=True),  # 是否开启测试模式test=dict(  # 测试数据集配置type='ScanNetDataset',  # 数据集类型data_root='./data/scannet/',  # 数据路径ann_file='./data/scannet/scannet_infos_val.pkl',  # 数据标注文件的路径pipeline=[  # 流水线，这里传入的就是上面创建的测试流水线变量dict(type='LoadPointsFromFile',shift_height=True,load_dim=6,use_dim=[0, 1, 2]),dict(type='PointSample', num_points=40000),dict(type='DefaultFormatBundle3D',class_names=('cabinet', 'bed', 'chair', 'sofa', 'table','door', 'window', 'bookshelf', 'picture','counter', 'desk', 'curtain', 'refrigerator','showercurtrain', 'toilet', 'sink', 'bathtub','garbagebin')),dict(type='Collect3D', keys=['points'])],classes=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door', 'window','bookshelf', 'picture', 'counter', 'desk', 'curtain','refrigerator', 'showercurtrain', 'toilet', 'sink', 'bathtub','garbagebin'),  # 类别名称test_mode=True))  # 是否开启测试模式
evaluation = dict(pipeline=[  # 流水线，这里传入的就是上面创建的验证流水线变量dict(type='LoadPointsFromFile',coord_type='DEPTH',shift_height=False,load_dim=6,use_dim=[0, 1, 2]),dict(type='DefaultFormatBundle3D',class_names=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door','window', 'bookshelf', 'picture', 'counter', 'desk','curtain', 'refrigerator', 'showercurtrain', 'toilet','sink', 'bathtub', 'garbagebin'),with_label=False),dict(type='Collect3D', keys=['points'])
])
lr = 0.008  # 优化器的学习率
optimizer = dict(  # 构建优化器所使用的配置，我们支持所有 PyTorch 中支持的优化器，并且拥有相同的参数名称type='Adam',  # 优化器类型，更多细节请参考 https://github.com/open-mmlab/mmcv/blob/v1.3.7/mmcv/runner/optimizer/default_constructor.py#L12lr=0.008)  # 优化器的学习率，用户可以在 PyTorch 文档中查看这些参数的详细使用方法
optimizer_config = dict(  # 构建优化器钩子的配置，更多实现细节可参考 https://github.com/open-mmlab/mmcv/blob/v1.3.7/mmcv/runner/hooks/optimizer.py#L22grad_clip=dict(  # 梯度裁剪的配置max_norm=10,  # 梯度的最大模长norm_type=2))  # 所使用的 p-范数的类型，可以设置成 'inf' 则指代无穷范数
lr_config = dict(  # 学习率策略配置，用于注册学习率更新的钩子policy='step',  # 学习率调整的策略，支持 CosineAnnealing、Cyclic 等，更多支持的种类请参考 https://github.com/open-mmlab/mmcv/blob/v1.3.7/mmcv/runner/hooks/lr_updater.py#L9warmup=None,  # Warmup 策略，同时也支持 `exp` 和 `constant`step=[24, 32])  # 学习率衰减的步数
checkpoint_config = dict(  # 设置保存模型权重钩子的配置，具体实现请参考 https://github.com/open-mmlab/mmcv/blob/master/mmcv/runner/hooks/checkpoint.pyinterval=1)  # 保存模型权重的间隔是 1 轮
log_config = dict(  # 用于注册输出记录信息钩子的配置interval=50,  # 输出记录信息的间隔hooks=[dict(type='TextLoggerHook'),dict(type='TensorboardLoggerHook')])  # 用于记录训练过程的信息记录机制
runner = dict(type='EpochBasedRunner', max_epochs=36) # 程序运行器，将会运行 `workflow` `max_epochs` 次
dist_params = dict(backend='nccl')  # 设置分布式训练的配置，通讯端口值也可被设置
log_level = 'INFO'  # 输出记录信息的等级
find_unused_parameters = True  # 是否查找模型中未使用的参数
work_dir = None  # 当前实验存储模型权重和输出信息的路径
load_from = None # 从指定路径读取一个预训练的模型权重，这将不会继续 (resume) 训练
resume_from = None  # 从一个指定路径读入模型权重并继续训练，这意味着训练轮数、优化器状态等都将被读取
workflow = [('train', 1)]  # 要运行的工作流。[('train', 1)] 意味着只有一个名为 'train' 的工作流，它只会被执行一次。这一工作流依据 `max_epochs` 的值将会训练模型 36 轮。
gpu_ids = range(0, 1)  # 所使用的 GPU 编号

常问问题 (FAQ)

忽略基础配置文件里的部分内容

有时，您也许会需要通过设置 _delete_=True 来忽略基础配置文件里的一些域内容。
请参照 mmcv 来获得一些简单的指导。

例如在 MMDetection3D 中，为了改变如下所示 PointPillars FPN 模块的某些配置：

model = dict(type='MVXFasterRCNN',pts_voxel_layer=dict(...),pts_voxel_encoder=dict(...),pts_middle_encoder=dict(...),pts_backbone=dict(...),pts_neck=dict(type='FPN',norm_cfg=dict(type='naiveSyncBN2d', eps=1e-3, momentum=0.01),act_cfg=dict(type='ReLU'),in_channels=[64, 128, 256],out_channels=256,start_level=0,num_outs=3),pts_bbox_head=dict(...))

FPN 和 SECONDFPN 使用不同的关键词来构建。

_base_ = '../_base_/models/hv_pointpillars_fpn_nus.py'
model = dict(pts_neck=dict(_delete_=True,type='SECONDFPN',norm_cfg=dict(type='naiveSyncBN2d', eps=1e-3, momentum=0.01),in_channels=[64, 128, 256],upsample_strides=[1, 2, 4],out_channels=[128, 128, 128]),pts_bbox_head=dict(...))

_delete_=True 的标识将会使用新的键值覆盖掉 pts_neck 中的所有旧键值。

使用配置文件里的中间变量

配置文件里会使用一些中间变量，例如数据集中的 train_pipeline/test_pipeline。
值得注意的是，当修改子配置文件中的中间变量后，用户还需再次将其传入相应字段。
例如，我们想在训练和测试中，对 PointPillars 使用多尺度策略 (multi scale strategy)，那么 train_pipeline/test_pipeline 就是我们想要修改的中间变量。

_base_ = './nus-3d.py'
train_pipeline = [dict(type='LoadPointsFromFile',load_dim=5,use_dim=5,file_client_args=file_client_args),dict(type='LoadPointsFromMultiSweeps',sweeps_num=10,file_client_args=file_client_args),dict(type='LoadAnnotations3D', with_bbox_3d=True, with_label_3d=True),dict(type='GlobalRotScaleTrans',rot_range=[-0.3925, 0.3925],scale_ratio_range=[0.95, 1.05],translation_std=[0, 0, 0]),dict(type='RandomFlip3D', flip_ratio_bev_horizontal=0.5),dict(type='PointsRangeFilter', point_cloud_range=point_cloud_range),dict(type='ObjectRangeFilter', point_cloud_range=point_cloud_range),dict(type='ObjectNameFilter', classes=class_names),dict(type='PointShuffle'),dict(type='DefaultFormatBundle3D', class_names=class_names),dict(type='Collect3D', keys=['points', 'gt_bboxes_3d', 'gt_labels_3d'])
]
test_pipeline = [dict(type='LoadPointsFromFile',load_dim=5,use_dim=5,file_client_args=file_client_args),dict(type='LoadPointsFromMultiSweeps',sweeps_num=10,file_client_args=file_client_args),dict(type='MultiScaleFlipAug3D',img_scale=(1333, 800),pts_scale_ratio=[0.95, 1.0, 1.05],flip=False,transforms=[dict(type='GlobalRotScaleTrans',rot_range=[0, 0],scale_ratio_range=[1., 1.],translation_std=[0, 0, 0]),dict(type='RandomFlip3D'),dict(type='PointsRangeFilter', point_cloud_range=point_cloud_range),dict(type='DefaultFormatBundle3D',class_names=class_names,with_label=False),dict(type='Collect3D', keys=['points'])])
]
data = dict(train=dict(pipeline=train_pipeline),val=dict(pipeline=test_pipeline),test=dict(pipeline=test_pipeline))

这里，我们首先定义了新的 train_pipeline/test_pipeline，然后将其传入 data。

【mmdetection3d】——学习配置文件相关推荐

（五）MkDocs学习——配置文件
mkdocs学习笔记系列 (一)MkDocs 学习--快速开始 (二)MkDocs学习笔记--撰写文档 (三)MkDocs学习--配置主题 (四)MkDocs学习--自定义主题 (五)MkDocs学习 ...
MMpose 教程中文翻译-tutorial 0：学习配置文件
这是一个对mmpose docs的中文翻译,自己在阅读的时候整理的,后续会继续翻译tutorial的内容.欢饮大佬们提建议,我也只是个学习中的小菜鸡以下是mmpose教程链接教程 0:学习配置文 ...
MMsegmentation教程1：学习配置文件
我们整合了模块和继承设计到我们的配置里,这便于做很多实验.如果您想查看配置文件,您可以运行 python tools/print_config.py /PATH/TO/CONFIG 去查看完整的配置文 ...
【AI框架】MMDetection3D 使用指南
MMDetection3D 是一个基于 PyTorch 的目标检测开源工具箱, 下一代面向3D检测的平台对安装 MMDetection3D有问题的同学可以看:[星光02]MMDetection3D ...
【MMDetection3D】环境搭建，使用PointPillers训练测试可视化KITTI数据集
文章目录前言 3D目标检测概述 KITTI数据集简介 MMDetection3D 环境搭建数据集准备训练测试及可视化绘制损失函数曲线参考资料前言 2D卷不动了,来卷3D,之后更多地工作会 ...
（三）MkDocs学习——配置主题
mkdocs学习笔记系列 (一)MkDocs 学习--快速开始 (二)MkDocs学习笔记--撰写文档 (三)MkDocs学习--配置主题 (四)MkDocs学习--自定义主题 (五)MkDocs学习 ...
.Net Core基础之读取配置文件
在应用程序开发中,配置文件是主要存储系统的初始配置信息,配置文件的读取虽然属于基础内容却又经常用到,所以百丈高楼平地起,学习.Net Core,就从学习配置文件开始.在.net framework时代 ...
（一）MkDocs 学习——快速开始
mkdocs学习笔记系列 (一)MkDocs 学习--快速开始 (二)MkDocs学习笔记--撰写文档 (三)MkDocs学习--配置主题 (四)MkDocs学习--自定义主题 (五)MkDocs学习 ...
（二）MkDocs学习笔记——撰写文档
mkdocs学习笔记系列 (一)MkDocs 学习--快速开始 (二)MkDocs学习笔记--撰写文档 (三)MkDocs学习--配置主题 (四)MkDocs学习--自定义主题 (五)MkDocs学习 ...
（六）MkDocs学习——部署文档
mkdocs学习笔记系列 (一)MkDocs 学习--快速开始 (二)MkDocs学习笔记--撰写文档 (三)MkDocs学习--配置主题 (四)MkDocs学习--自定义主题 (五)MkDocs学习 ...

【mmdetection3d】——学习配置文件