【mmdetection】参数解析 转载
2024-04-07 04:45:31
原文地址：
https://blog.csdn.net/u013066730/article/details/106859399/?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242
转载防止迷路
# model settings
model = dict(type='FasterRCNN', # model类型pretrained='modelzoo://resnet50', # 预训练模型：imagenet-resnet50backbone=dict(type='ResNet', # backbone类型depth=50, # 网络层数num_stages=4, # resnet的stage数量out_indices=(0, 1, 2, 3), # 输出的stage的序号frozen_stages=1, # 冻结的stage数量，即该stage不更新参数，-1表示所有的stage都更新参数style='pytorch'), # 网络风格：如果设置pytorch，则stride为2的层是conv3x3的卷积层；如果设置caffe，则stride为2的层是第一个conv1x1的卷积层neck=dict(type='FPN', # neck类型in_channels=[256, 512, 1024, 2048], # 输入的各个stage的通道数out_channels=256, # 输出的特征层的通道数num_outs=5), # 输出的特征层的数量rpn_head=dict(type='RPNHead', # RPN网络类型in_channels=256, # RPN网络的输入通道数feat_channels=256, # 特征层的通道数anchor_scales=[8], # 生成的anchor的baselen，baselen = sqrt(w*h)，w和h为anchor的宽和高anchor_ratios=[0.5, 1.0, 2.0], # anchor的宽高比anchor_strides=[4, 8, 16, 32, 64], # 在每个特征层上的anchor的步长（对应于原图）target_means=[.0, .0, .0, .0], # 均值target_stds=[1.0, 1.0, 1.0, 1.0], # 方差use_sigmoid_cls=True), # 是否使用sigmoid来进行分类，如果False则使用softmax来分类bbox_roi_extractor=dict(type='SingleRoIExtractor', # RoIExtractor类型roi_layer=dict(type='RoIAlign', out_size=7, sample_num=2), # ROI具体参数：ROI类型为ROIalign，输出尺寸为7，sample数为2out_channels=256, # 输出通道数featmap_strides=[4, 8, 16, 32]), # 特征图的步长bbox_head=dict(type='SharedFCBBoxHead', # 全连接层类型num_fcs=2, # 全连接层数量in_channels=256, # 输入通道数fc_out_channels=1024, # 输出通道数roi_feat_size=7, # ROI特征层尺寸num_classes=81, # 分类器的类别数量+1，+1是因为多了一个背景的类别target_means=[0., 0., 0., 0.], # 均值target_stds=[0.1, 0.1, 0.2, 0.2], # 方差reg_class_agnostic=False)) # 是否采用class_agnostic的方式来预测，class_agnostic表示输出bbox时只考虑其是否为前景，后续分类的时候再根据该bbox在网络中的类别得分来分类，也就是说一个框可以对应多个类别
# model training and testing settings
train_cfg = dict(rpn=dict(assigner=dict(type='MaxIoUAssigner', # RPN网络的正负样本划分pos_iou_thr=0.7, # 正样本的iou阈值neg_iou_thr=0.3, # 负样本的iou阈值min_pos_iou=0.3, # 正样本的iou最小值。如果assign给ground truth的anchors中最大的IOU低于0.3，则忽略所有的anchors，否则保留最大IOU的anchorignore_iof_thr=-1), # 忽略bbox的阈值，当ground truth中包含需要忽略的bbox时使用，-1表示不忽略sampler=dict(type='RandomSampler', # 正负样本提取器类型num=256, # 需提取的正负样本数量pos_fraction=0.5, # 正样本比例neg_pos_ub=-1, # 最大负样本比例，大于该比例的负样本忽略，-1表示不忽略add_gt_as_proposals=False), # 把ground truth加入proposal作为正样本allowed_border=0, # 允许在bbox周围外扩一定的像素pos_weight=-1, # 正样本权重，-1表示不改变原始的权重smoothl1_beta=1 / 9.0, # 平滑L1系数debug=False), # debug模式rcnn=dict(assigner=dict(type='MaxIoUAssigner', # RCNN网络正负样本划分pos_iou_thr=0.5, # 正样本的iou阈值neg_iou_thr=0.5, # 负样本的iou阈值min_pos_iou=0.5, # 正样本的iou最小值。如果assign给ground truth的anchors中最大的IOU低于0.3，则忽略所有的anchors，否则保留最大IOU的anchorignore_iof_thr=-1), # 忽略bbox的阈值，当ground truth中包含需要忽略的bbox时使用，-1表示不忽略sampler=dict(type='RandomSampler', # 正负样本提取器类型num=512, # 需提取的正负样本数量pos_fraction=0.25, # 正样本比例neg_pos_ub=-1, # 最大负样本比例，大于该比例的负样本忽略，-1表示不忽略add_gt_as_proposals=True), # 把ground truth加入proposal作为正样本pos_weight=-1, # 正样本权重，-1表示不改变原始的权重debug=False)) # debug模式
test_cfg = dict(rpn=dict( # 推断时的RPN参数nms_across_levels=False, # 在所有的fpn层内做nmsnms_pre=2000, # 在nms之前保留的的得分最高的proposal数量nms_post=2000, # 在nms之后保留的的得分最高的proposal数量max_num=2000, # 在后处理完成之后保留的proposal数量nms_thr=0.7, # nms阈值min_bbox_size=0), # 最小bbox尺寸rcnn=dict(score_thr=0.05, nms=dict(type='nms', iou_thr=0.5), max_per_img=100) # max_per_img表示最终输出的det bbox数量# soft-nms is also supported for rcnn testing# e.g., nms=dict(type='soft_nms', iou_thr=0.5, min_score=0.05) # soft_nms参数
)
# dataset settings
dataset_type = 'CocoDataset' # 数据集类型
data_root = 'data/coco/' # 数据集根目录
img_norm_cfg = dict(mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True) # 输入图像初始化，减去均值mean并处以方差std，to_rgb表示将bgr转为rgb
data = dict(imgs_per_gpu=2, # 每个gpu计算的图像数量workers_per_gpu=2, # 每个gpu分配的线程数train=dict(type=dataset_type, # 数据集类型ann_file=data_root + 'annotations/instances_train2017.json', # 数据集annotation路径img_prefix=data_root + 'train2017/', # 数据集的图片路径img_scale=(1333, 800), # 输入图像尺寸，最大边1333，最小边800img_norm_cfg=img_norm_cfg, # 图像初始化参数size_divisor=32, # 对图像进行resize时的最小单位，32表示所有的图像都会被resize成32的倍数flip_ratio=0.5, # 图像的随机左右翻转的概率with_mask=False, # 训练时附带maskwith_crowd=True, # 训练时附带difficult的样本with_label=True), # 训练时附带labelval=dict(type=dataset_type, # 同上ann_file=data_root + 'annotations/instances_val2017.json', # 同上img_prefix=data_root + 'val2017/', # 同上img_scale=(1333, 800), # 同上img_norm_cfg=img_norm_cfg, # 同上size_divisor=32, # 同上flip_ratio=0, # 同上with_mask=False, # 同上with_crowd=True, # 同上with_label=True), # 同上test=dict(type=dataset_type, # 同上ann_file=data_root + 'annotations/instances_val2017.json', # 同上img_prefix=data_root + 'val2017/', # 同上img_scale=(1333, 800), # 同上img_norm_cfg=img_norm_cfg, # 同上size_divisor=32, # 同上flip_ratio=0, # 同上with_mask=False, # 同上with_label=False, # 同上test_mode=True)) # 同上
# optimizer
optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001) # 优化参数，lr为学习率，momentum为动量因子，weight_decay为权重衰减因子
optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2)) # 梯度均衡参数
# learning policy
lr_config = dict(policy='step', # 优化策略warmup='linear', # 初始的学习率增加的策略，linear为线性增加warmup_iters=500, # 在初始的500次迭代中学习率逐渐增加warmup_ratio=1.0 / 3, # 起始的学习率step=[8, 11]) # 在第8和11个epoch时降低学习率
checkpoint_config = dict(interval=1) # 每1个epoch存储一次模型
# yapf:disable
log_config = dict(interval=50, # 每50个batch输出一次信息hooks=[dict(type='TextLoggerHook'), # 控制台输出信息的风格# dict(type='TensorboardLoggerHook')])
# yapf:enable
# runtime settings
total_epochs = 12 # 最大epoch数
dist_params = dict(backend='nccl') # 分布式参数
log_level = 'INFO' # 输出信息的完整度级别
work_dir = './work_dirs/faster_rcnn_r50_fpn_1x' # log文件和模型文件存储路径
load_from = None # 加载模型的路径，None表示从预训练模型加载
resume_from = None # 恢复训练模型的路径
workflow = [('train', 1)] # 当前工作区名称【mmdetection】参数解析 转载相关推荐
- python命令行参数解析OptionParser类用法实例
python命令行参数解析OptionParser类用法实例 本文实例讲述了python命令行参数解析OptionParser类的用法,分享给大家供大家参考. 具体代码如下: from opt ...
- JVM启动参数解析（转）
JVM启动参数解析(转) (2010-03-17 19:45:19) 转载 标签: jvm 启动参数 it 分类:他山之石攻己之玉 dk1.4.2 JVM官方地址:http://java.sun.co ...
- linux shell中的命令自动补全（compgen complete）与 命令行参数解析
linux shell中的命令自动补全(compgen complete)与 命令行参数解析 标签: shell脚本 2013-12-31 21:56 6661人阅读 评论(6) 收藏 举报 分类: ...
- SpringMVC源码之参数解析绑定原理
摘要 本文从源码层面简单讲解SpringMVC的参数绑定原理 SpringMVC参数绑定相关组件的初始化过程 在理解初始化之前,先来认识一个接口 HandlerMethodArgumentResolv ...
- python add argument list_python模块介绍- argparse：命令行选项及参数解析
#承接软件自动化实施与培训等gtalk:ouyangchongwu#gmail.com qq 37391319 博客: http://blog.csdn.net/oychw #版权所有,转载刊登请来函 ...
- Python命令行选项参数解析策略
概述 在Python的项目开发过程中,我们有时需要为程序提供一些可以通过命令行进行调用的接口.不过,并不是直接使用 command + 当前文件 就ok的,我们需要对其设置可选的各种各样的操作类型.所 ...
- 华为机试HJ74：参数解析
作者:翟天保Steven 版权声明:著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处 题目描述: 在命令行输入如下命令: xcopy /s c:\ d:\, 各个参数如下: 参数1: ...
- flag--命令行参数解析之StringVar
flag--命令行参数解析之StringVar func StringVar func StringVar(p *string, name string, value string, usage st ...
- Android60运行时权限处理完全解析(转载)
Android60运行时权限处理完全解析 转载请标明出处: http://blog.csdn.net/lmj623565791/article/details/50709663: 本文出自:[张鸿洋的 ...
最新文章
- Win2008 R2 RemoteApp深度体验之四，RemoteApp程序测试
- 【设计模式】外观模式
- 剑指offer 算法 （画图让抽象问题形象化）
- hdu 5230(整数划分，dp)
- poj/OpenJ_Bailian - 2528 离散化+线段树
- php发送https请求,php post 请求https接口
- python 迭代详解_详解python中的迭代
- Java 7：完整的invokedynamic示例
- 科技计划项目数据管理过程模型
- 信息学奥赛一本通（1252：走迷宫）
- Java获取数据类型
- java中abcd_java中请不要出现aBcd类似的变量名
- maven项目乱码以及项目名出现红叉
- 01函数极限的概念及性质
- R-大数据分析挖掘（4-R爬虫实现）
- JavaWeb框架-Spring（基本概念）
- C语言-字符型数据与ASCII码表
- LAMP兄弟连2011年上半年开班计划
- MIUI刷Android原生,小米手机怎么刷安卓原生系统
- python开发桌面软件实例-Python开发的第一步：利用Python开发一个桌面小程序