目标检测：记录mmdetection替换backbone为ResNeSt

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

实验需要将现有开源目标检测代码的backbone替换为ResNeSt，开源代码基于mmdetection v1开发，mmcv版本较低（0.2.16），随着版本更新， 目前mmdetection v2.7支持ResNeSt。由于版本更新较大，新旧版本的mmdetection代码架构及实现差别较大，仅仅按照官网教程已不能将旧版mmdetection的backbone替换为ResNeSt,需改动多处，本文记录低版本mmdetection的backbone的替换过程。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、基本环境配置

ubuntu18.04 python3.7 pytorch1.7.1 CUDA11.1 mmcv0.5.9

二、实现过程

整体步骤按照mmdetection官网教程

1.Define resnest

将resnest.py和resnet.py粘贴至开源代码（基于旧版mmdetection开发）

在新版mmdetection （v2.10）找到resnest.py（mmdet/models/backbones/resnest.py）
先直接粘贴至开源代码中（mmdet/models/backbones/resnest.py）

由于resnest.py依赖resnest.py中的一些package和函数，因此也需要将resnet.py替换掉。方法同上

2. Import the module

在mmdet/models/backbones/init.py添加resnest

from .resnet import ResNet
from .resnext import ResNeXt
from .ssd_vgg import SSDVGG
from .hrnet import HRNet
from .resnest import ResNeSt


__all__ = ['ResNet','ResNeSt','ResNeXt', 'SSDVGG', 'HRNet']

3. 适配resnest.py

1.ResLayer
resnest.py 导入了ResLayer
因此 需要将新版中的res_layer.py（mmdet/models/utils/res_layer.py）粘贴到对应位置。并修改对应的init（mmdet/models/utils/init.py），即将ResLayer导入

from .conv_ws import conv_ws_2d, ConvWS2d
from .conv_module import build_conv_layer, ConvModule
from .norm import build_norm_layer
from .scale import Scale
from .res_layer import ResLayer, SimplifiedBasicBlock
from .weight_init import (xavier_init, normal_init, uniform_init, kaiming_init,
                          bias_init_with_prob)

__all__ = [
    'ResLayer','conv_ws_2d', 'ConvWS2d', 'build_conv_layer', 'ConvModule',
    'build_norm_layer', 'xavier_init', 'normal_init', 'uniform_init',
    'kaiming_init', 'bias_init_with_prob', 'Scale','SimplifiedBasicBlock'
]

4. 适配resnet.py

resnest.py调用了resnet.py中的ResNetV1d，旧版的resnet没有该函数，因此需要将新版中的resnet.py拿过来。这就需要对新版的resnet.py进行适配。
需适配的内容如下：
4.1ResLayer

from ..utils import ResLayer

在上步已经实现适配
4.2get_root_logger

from mmdet.utils import get_root_logger

将新版mmdetection的logger.py拿过来放在对应位置（mmdet/utils/logger.py）
并修改init（mmdet/utils/init.py）

rom .flops_counter import get_model_complexity_info
from .registry import Registry, build_from_cfg
from .logger import get_root_logger

__all__ = ['get_root_logger','Registry', 'build_from_cfg', 'get_model_complexity_info']


# def get_root_logger():
#     return None

4.3build_plugin_layer

from mmcv.cnn import (build_conv_layer, build_norm_layer, build_plugin_layer,
                      constant_init, kaiming_init)

在anaconda虚拟环境中找到mmcv，并下载一个最新版本的mmcv。
将新版mmcv(1.2.7)中的plugin.py粘贴至旧版mmcv（0.5.9）对应位置（mmcv/cnn/bricks/plugin.py）,并修改init（mmcv/cnn/bricks/init.py）
该处使用的url网络请求的数据。

5. Use the backbone in your config file

    # pretrained='torchvision://resnest101',
    # pretrained='modelzoo://resnet50',
    # pretrained='open-mmlab://resnest101',
    pretrained='https://download.openmmlab.com/pretrain/third_party/resnest101_d2-f3b931b2.pth',

    # backbone=dict(
    #     type='ResNeSt',
    #     depth=50,
    #     num_stages=4,
    #     out_indices=(0, 1, 2, 3),
    #     frozen_stages=1,
    #     style='pytorch'),
    backbone=dict(
        type='ResNeSt',
        depth=101,
        num_stages=4,
        out_indices=(0, 1, 2, 3),
        frozen_stages=1,
        norm_cfg=dict(type='BN', requires_grad=True),
        norm_eval=False,
        style='pytorch',
        stem_channels=128,
        radix=2,
        reduction_factor=4,
        avg_down_stride=True),