maskrcnn-benchmark源码解析-config篇

目前网上看到的源码解析都主要在写mask-Rcnn，包括backbone,rpn head, loss之类的，但是关于maskrcnn-benchmark本身的组织形式，config是如何调用的，目标检测的data是如何prepare的都没有解读，于是本文承接另一位博主的介绍

https://blog.csdn.net/francislucien2017/article/details/102584847?spm=1001.2014.3001.5506

开始介绍源码的其他细节部分，先讲讲config。
源码来自：https://github.com/yukang2017/Stitcher/tree/master/maskrcnn_benchmark

---

上回书说到，benchmark的训练脚本train_net.py

#from maskrcnn_benchmark.config import cfg

def main():
    # 定义参数列表
    parser = argparse.ArgumentParser(description="PyTorch Object Detection Training")
    
    ***
    #省略内容
    ***
 
    cfg.merge_from_file(args.config_file)
    cfg.merge_from_list(args.opts)
    cfg.freeze()
 
    output_dir = cfg.OUTPUT_DIR
    if output_dir:
        mkdir(output_dir)
    
    ***
    #省略内容
    ***
 
    # 训练模型
     model = train(cfg, args.local_rank, args.distributed)

 
    # 是否测试模型
    if not args.skip_test:
        run_test(cfg, model, args.distributed)

<一>default cfg的导入

首先，这个from maskrcnn_benchmark.config import cfg的cfg是啥？
看看config目录下的文件

合并到一起看

#__init__.py
from .defaults import _C as cfg
'''
从default.py导入_C对象，并重命名为cfg，即上面的from maskrcnn_benchmark.config import cfg
'''
#default.py
import os
from yacs.config import CfgNode as CN
'''
超参设置文件，以yacs来管理超参，CfgNode()为config节点，同时也能创建子节点
'''
_C = CN()#创建一个节点_C
_C.MODEL = CN()#创建_C的子节点MODEL
_C.MODEL.RPN_ONLY = False#设置子节点的一个参数RPN_ONLY为False
_C.MODEL.MASK_ON = False
_C.MODEL.RETINANET_ON = False
_C.MODEL.KEYPOINT_ON = False
_C.MODEL.DEVICE = "cuda"
_C.MODEL.META_ARCHITECTURE = "GeneralizedRCNN"
_C.MODEL.CLS_AGNOSTIC_BBOX_REG = False
_C.MODEL.WEIGHT = ""

_C.MODEL.BACKBONE = CN()
_C.MODEL.BACKBONE.CONV_BODY = "R-50-C4"
_C.MODEL.BACKBONE.FREEZE_CONV_BODY_AT = 2
   ###以下省略剩余相似内容
   
#paths_catlog.py
"""Centralized catalog of paths."""
import os
'''
存放各种数据、模型的位置，后面再讲
'''
class DatasetCatalog(object):
    DATA_DIR = "datasets"
    DATASETS = {
        "coco_2017_train": {
            "img_dir": "coco/train2017",
            "ann_file": "coco/annotations/instances_train2017.json"
        },
        "coco_2017_val": {
            "img_dir": "coco/val2017",
            "ann_file": "coco/annotations/instances_val2017.json"
        },
   ###以下省略剩余相似内容

顺便讲一下python中的包调用方式
1、train_net.py里

from maskrcnn_benchmark.config import cfg

会去看maskrcnn_benchmark/config文件夹下，找cfg对象
2、config文件夹下
有一个__init__.py
init.py的作用：让一个呈结构化分布(以文件夹形式组织)的代码文件夹变成可以被导入import的软件包。

参考https://blog.csdn.net/yucicheung/article/details/79445350

而在导入config时，会先执行__init__.py的内容

from .defaults import _C as cfg

从兄弟节点defaults.py文件中导入_C对象，并重命名为cfg
于是maskrcnn_benchmark.config里就有了cfg这个对象
便可以执行from maskrcnn_benchmark.config import cfg

<二>default cfg与不同模型cfg的融合

default config是一个默认的config，maskrcnn_benchmark的就是maskrcnn的参数，而Stitcher模型则是直接在这里加上了一些参数。当要使用其他模型时，就将其他模型的yaml文件读取，并和"default config" merge在一起，其他模型的config会覆盖default config的相同部分。

    cfg.merge_from_file(args.config_file)
    cfg.merge_from_list(args.opts)

这里cfg=_C=CN()=yacs.config.CfgNode()
调用yacs.config.CfgNode()的merge_from_file方法，用一个新的yaml文件里的config继承default config。
eg.

#e2e_faster_rcnn_fbnet.yaml
MODEL:
  META_ARCHITECTURE: "GeneralizedRCNN"
  BACKBONE:
    CONV_BODY: FBNet
  FBNET:
    ARCH: "default"
    BN_TYPE: "bn"
    WIDTH_DIVISOR: 8
    DW_CONV_SKIP_BN: True
    DW_CONV_SKIP_RELU: True

相当于查找MODEL节点：_C.MODEL = CN()，子节点_C.MODEL.BACKBONE=CN()并替代里面相同属性的内容CONV_BODY