Yolo v8代码解析（二）

1.callbacks.run('on_pretrain_routine_start')

        会调用回调函数中的run函数。通常用于训练开始前的一些：模型初始化、创建日志等操作。

2.遍历已注册的操作并在主线程中触发所有回调，参数：hook：要检查的钩子的名称，默认为所有。args：从 YOLOv5 接收的参数。线程：（布尔值）在守护线程中运行回调。kwargs：从 YOLOv5 接收的关键字参数。

def run(self, hook, *args, thread=False, **kwargs):
        """
        Loop through the registered actions and fire all callbacks on main thread

        Args:
            hook: The name of the hook to check, defaults to all
            args: Arguments to receive from YOLOv5
            thread: (boolean) Run callbacks in daemon thread
            kwargs: Keyword Arguments to receive from YOLOv5
        """

        assert hook in self._callbacks, f"hook '{hook}' not found in callbacks {self._callbacks}"
        for logger in self._callbacks[hook]:
            if thread:
                threading.Thread(target=logger['callback'], args=args, kwargs=kwargs, daemon=True).start()
            else:
                logger['callback'](*args, **kwargs)

3.PosixPath类型路径可以通过"/"进行拼接。使用Path库将其转换为Path对象。

    w = save_dir / 'weights'  # weights dir
    (w.parent if evolve else w).mkdir(parents=True, exist_ok=True)  # make dir
    last, best = w / 'last.pt', w / 'best.pt'

4.读取超参数配置文件，如果超参数是字符串，则读取yaml文件，在加载为字典格式。超参数从传入trian（）函数获得其为字典格式，从命令行参数获得为文件路径，即yaml格式。

if isinstance(hyp, str):
        with open(hyp, errors='ignore') as f:
            hyp = yaml.safe_load(f)  # load hyps dict

5.setattr(self, k, None)置为空，init empty logger dictionary。

       setattr() 函数对应函数 getattr()，用于设置属性值，该属性不一定是存在的。

setattr(object, name, value)

 object：对象，name：字符串，对象属性，value：属性值，函数并无返回值。

6.静态函数：torch.distributed.barrier()

def torch_distributed_zero_first(local_rank: int):
    # Decorator to make all processes in distributed training wait for each local_master to do something
    if local_rank not in [-1, 0]:
        dist.barrier(device_ids=[local_rank])
    yield
    if local_rank == 0:
        dist.barrier(device_ids=[0])

        pytorch多卡训练中，有单机多卡（存在一个节点，通过torch.nn.DataParallel(model)实现）和多机多卡模式，一种是多机多卡（存在一个节点或者多个节点，通torch.nn.parallel(model)）。pytorch在训练过程中，对数据采用的是主进程预读取并缓存，然后其他进程从缓存中读取，不同进程之间数据同步通过torch.distributed.barrier()实现。

     （1）进程号rank理解

       在多进程上下文中，我们通常假定rank 0是第一个进程或者主进程，其它进程分别具有0，1，2...不同rank号，这样总共具有4个进程。

     （2）单一进程数据处理

       有一些操作是没有必要以并行的方式进行处理的，如数据读取与处理操作，只需要一个进程进行处理并缓存，然后与其它进程共享缓存处理数据，但是由于不同进程是同步执行的，单一进程处理数据必然会导致进程之间出现不同步的现象，为此，torch中采用了barrier()函数对其它非主进程进行阻塞，来达到同步的目的。

     （3）barrier()具体原理

       当rank不等于0或者-1，上下文管理器会执行相应的torch.distributed.barrier()，设置一个阻塞栅栏，让此进程处于等待状态，等待所有进程到达栅栏处（包括主进程数据处理完毕）；如果执行函数的进程是主进程，会遇到torch.distributed.barrier()，所有进程都到达了当前的栅栏处，这样所有进程就达到了同步，并同时得到释放。

        在多处理环境中，通常假设 0 级是第一个进程或基本进程。然后对其他进程进行不同的排序，例如1、2、3，总共四个进程。 有些操作不需要并行完成，或者只需要一个进程进行一些预处理或缓存，以便其他进程可以使用该数据。 在上述代码中，如果第一个 if 语句由非基本进程（等级 1、2、3）输入，它们将阻塞（或“等待”），因为它们遇到屏障。他们在那里等待，因为barrier()阻塞直到所有进程都到达屏障，但基本进程尚未到达屏障。 所以此时非基本进程（1,2,3）被阻塞，但基本进程（0）继续。基本进程将执行一些操作，直到到达第二个 if 语句，基本进程将遇到障碍。此时，所有流程都已停止在障碍处，这意味着当前所有障碍都可以解除，所有流程都可以继续。

         当进程遇到障碍时，它会阻塞屏障的位置并不重要（并非所有进程都必须输入相同的 if 语句） 进程被屏障阻塞，直到所有进程都遇到屏障，此时所有进程的这些屏障都会被解除。