open-mmlab. mmclassification安装并使用自己数据集windows下

目录

1.mmclassification安装

2.运行，生成并使用一个配置文件

在pycharm中，点击右上角如下图所示，并在Configuration 中的配置好运行脚本路径，配置参数以及运行环境如下所示，点击OK后运行。

在D:\Code\mmclassification\tools\work_dirs\resnet18_8xb32_in1k\下面会生成整个配置文件resnet18_8xb32_in1k.py，将该配置文件复制到原配置文件路径或者自己指定位置如D:\Code\mmclassification\configs\resnet\，并修改名称如为GWF_resnet18_8xb32_in1k.py。里面的参数可根据自己的数据进行修改。最后在将该配置文件路径放在pycharm下，如下图所示，点pycharm绿色三角形即可运行。

3.使用自己数据集

GWF_resnet18_8xb32_in1k.py中

另外mmcls.dadasets.imagenet.py 中修改类别名称

---

1.mmclassification安装

 .官网入门 — MMClassization 0.23.2 文档 (mmclassification.readthedocs.io)

有道教程https://note.youdao.com/s/GknDhLkT

#官网https://github.com/open-mmlab/mmclassification

    选择安装可视化工具grad-cam
       #pip install "grad-cam>=1.3.6"

安装好pytorch后离线安装mmcv##########################################
    查看cuda版本
       PS D:\Code\yolov5-master> nvcc -V
      Cuda compilation tools, release 11.3, V11.3.58
   查看pytorch版本
       PS D:\Code\yolov5-master> pip list
      torch                   1.10.0+cu113
   下载mmcv.复制一下链接到浏览器下载，其中/cu113/torch1.10/修改为自己的版本
      https://download.openmmlab.com/mmcv/dist/cu113/torch1.10/index.html
   安装mmcv，在pytorch环境下
       PS D:\Code> pip install .\mmcv_full-1.6.1-cp38-cp38-win_amd64.whl
   对比官网教程，可能还要安装 openmim
        pip3 install openmim

官网安装教程mmcv##########################################
   conda create -n open-mmlab python=3.8 pytorch=1.10 cudatoolkit=11.3 torchvision -c pytorch -y
   conda activate open-mmlab
   conda activate py38
   pip3 install openmim
   mim install mmcv-full

下载并安装mmclassification##########################################
   git clone https://github.com/open-mmlab/mmclassification.git
   cd mmclassification
   pip3 install -e .

2.运行，生成并使用一个配置文件

在pycharm中，点击右上角如下图所示，并在Configuration 中的配置好运行脚本路径，配置参数以及运行环境如下所示，点击OK后运行。

注意：windows下参数路径如下D:\Code\mmclassification\configs\resnet\resnet18_8xb32_in1k.py

如果出现路径错误，修改为

D:\\Code\\mmclassification\\configs\\resnet\\resnet18_8xb32_in1k.py

在D:\Code\mmclassification\tools\work_dirs\resnet18_8xb32_in1k\下面会生成整个配置文件resnet18_8xb32_in1k.py，将该配置文件复制到原配置文件路径或者自己指定位置如D:\Code\mmclassification\configs\resnet\，并修改名称如为GWF_resnet18_8xb32_in1k.py。里面的参数可根据自己的数据进行修改。最后在将该配置文件路径放在pycharm下，如下图所示，点pycharm绿色三角形即可运行。

3.使用自己数据集

GWF_resnet18_8xb32_in1k.py中

重点： num_classes=10, #num_classes=1000,修改为自己的类别数量

data_prefix='../mmcls/data/mnist/train', #'data/imagenet/train'修改为自己的数据位置

model = dict(
    type='ImageClassifier',
    backbone=dict(
        type='ResNet',
        depth=18,
        num_stages=4,
        out_indices=(3, ),
        style='pytorch'),
    neck=dict(type='GlobalAveragePooling'),
    head=dict(
        type='LinearClsHead',
        num_classes=10,   #num_classes=1000,修改为自己的类别数量
        in_channels=512,
        loss=dict(type='CrossEntropyLoss', loss_weight=1.0),
        topk=(1, 5)))
dataset_type = 'ImageNet'
img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='RandomResizedCrop', size=224),
    dict(type='RandomFlip', flip_prob=0.5, direction='horizontal'),
    dict(
        type='Normalize',
        mean=[123.675, 116.28, 103.53],
        std=[58.395, 57.12, 57.375],
        to_rgb=True),
    dict(type='ImageToTensor', keys=['img']),
    dict(type='ToTensor', keys=['gt_label']),
    dict(type='Collect', keys=['img', 'gt_label'])
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='Resize', size=(256, -1)),
    dict(type='CenterCrop', crop_size=224),
    dict(
        type='Normalize',
        mean=[123.675, 116.28, 103.53],
        std=[58.395, 57.12, 57.375],
        to_rgb=True),
    dict(type='ImageToTensor', keys=['img']),
    dict(type='Collect', keys=['img'])
]
data = dict(
    samples_per_gpu=32,
    workers_per_gpu=2,
    train=dict(
        type='ImageNet',
        data_prefix='../mmcls/data/mnist/train', #'data/imagenet/train'修改为自己的数据位置
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='RandomResizedCrop', size=224),
            dict(type='RandomFlip', flip_prob=0.5, direction='horizontal'),
            dict(
                type='Normalize',
                mean=[123.675, 116.28, 103.53],
                std=[58.395, 57.12, 57.375],
                to_rgb=True),
            dict(type='ImageToTensor', keys=['img']),
            dict(type='ToTensor', keys=['gt_label']),
            dict(type='Collect', keys=['img', 'gt_label'])
        ]),
    val=dict(
        type='ImageNet',
        data_prefix='../mmcls/data/mnist/test',#'data/imagenet/val',修改为自己的数据位置
        #ann_file='data/imagenet/meta/val.txt', 去掉，即换成用val里面文件夹的名字当做类别名。
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='Resize', size=(256, -1)),
            dict(type='CenterCrop', crop_size=224),
            dict(
                type='Normalize',
                mean=[123.675, 116.28, 103.53],
                std=[58.395, 57.12, 57.375],
                to_rgb=True),
            dict(type='ImageToTensor', keys=['img']),
            dict(type='Collect', keys=['img'])
        ]),
    test=dict(
        type='ImageNet',
        data_prefix='../mmcls/data/mnist/test',#'data/imagenet/val',修改为自己的数据位置
        #ann_file='data/imagenet/meta/val.txt',去掉，即换成用val里面文件夹的名字当做类别名。
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='Resize', size=(256, -1)),
            dict(type='CenterCrop', crop_size=224),
            dict(
                type='Normalize',
                mean=[123.675, 116.28, 103.53],
                std=[58.395, 57.12, 57.375],
                to_rgb=True),
            dict(type='ImageToTensor', keys=['img']),
            dict(type='Collect', keys=['img'])
        ]))
evaluation = dict(interval=1, metric='accuracy')
optimizer = dict(type='SGD', lr=0.1, momentum=0.9, weight_decay=0.0001)#优化方式可修改
optimizer_config = dict(grad_clip=None)
lr_config = dict(policy='step', step=[30, 60, 90])##学习率下降方式可修改
runner = dict(type='EpochBasedRunner', max_epochs=6) ##最大迭代次数可修改
checkpoint_config = dict(interval=5)  #interval=1) #每隔多少个epoch进行模型保持，设大一点比较好，少站内存。
log_config = dict(interval=100, hooks=[dict(type='TextLoggerHook')])#日志保存
dist_params = dict(backend='nccl')
log_level = 'INFO'
load_from = None
resume_from = None
workflow = [('train', 1)]
work_dir = './work_dirs/resnet18_8xb32_in1k'#结果保存位置
gpu_ids = [0]

另外mmcls.dadasets.imagenet.py 中修改类别名称

如下所示，当使用minist时：

CLASSES = ['0','1','2','3','4','5','6','7','8','9'] #add by gwf