Pytorch注册器机制Registry在众多深度学习开源库的代码中经常出现Registry代码块，例如OpenMMlab，facebookresearch和BasicSR中都使用了注册器机制。

（二）：MMDeploy环境配置MMDeploy环境配置安装验证安装成功MMDeploy环境配置首先安装MMCV、MMDetection等基础环境，然后进行MMDeploy的环境配置MMDeploy是OpenMMLab

TypeError:forward()gotmultiplevaluesforargument'img_metas'修改如下：#Copyright(c)OpenMMLab.Allrightsreserve

OpenMMLab目标检测1.目标检测简介1.0常用工具1.0.0实用工具1.0.1[MMYOLO自定义数据集从标注到部署](https://github.com/open-mmlab/mmyolo/blob

想要实现AI抠图去背景的需求，我们需要利用OpenMMLab项目MMDetection模型库中的实例分割（InstanceSegmentation）模型，来帮我们完成最核心的分类、分割图片物体任务。

语义分割前言：本系列第六篇文章主要介绍语义分割知识，了解计算机视觉框架OpenMMLab的MMSegmentation工具基本原理及使用，为后续语义分割实战做铺垫。本节内容：•语义分割的基本思路

语义分割工具MMSegmentation前言：本文主要对OpenMMlab开源框架的图像分割方向进行学习，适合人工智能领域入门及爱好者学习，本篇介绍快速了解MMSegmentation框架使用，

✨写在前面：强烈推荐给大家一个优秀的人工智能学习网站，内容包括人工智能基础、机器学习、深度学习神经网络等，详细介绍各部分概念及实战教程，通俗易懂，非常适合人工智能领域初学者及研究者学习。➡️点击跳转到网站。目标检测实战前言：本篇主要偏向目标检测实战部分，使用MMDetection工具进行代码应用，最后对水果进行检测实战演示，本次环境和代码配置部分省略，具体内容建议参考前一篇文章：计算机视觉框架Op

作者|123456来源|OpenMMLab编辑|极市平台导读本文解读基于PyTorch1.7版本，对torch.serialization、torch.save和torch.hub展开介绍。

OpenMMLabMMClassification超算账号信息创建环境数据集划分MMCls配置文件单卡计算AI实战营作业超算账号信息超算中心账号超算资源可用队列分区NC-N30[“scz0au1”]宁夏超算N30分区-RTX3090,gpu使用北京超级云计算中心平台，直通北京超级云计算中心、中国科学院超算中心等中国科技云资源，具有随需供应，高速稳定链路，开通快、登陆快、操作快、传输快、计算快、分析

课程链接放在这里的，有需要的可以直接点击，或者打开哔哩哔哩OpenMMLab主页查看。https://www.bilibili.com/video/BV1js4y1W7CN/?s

相关资源:github注意：部分内容为个人理解，如有错误还请您不吝赐教。第二课图像分类与基础视觉模型图像分类【问题定义】图像分类任务：给定一张图片，识别图像中的物体是什么X∈RH∗W∗3→{1,2..,K}X\inR^{H*W*3}\rightarrow\{1,2..,K\}X∈RH∗W∗3→{1,2..,K}；如何教计算机认识图片中的某个物体？这种问题跟用计算机精确求解一个数学问题不一样，对于某

目标检测问题实在图像分类的基础上，既有类别信息也有位置信息，具体体现在框对角的坐标。更加精确的识别问题时图像分割问题，能够图像中的物体轮廓更加详细的识别分割出来。分割问题也分为语义分割与实例分割。实例分割实在语义分割的基础上，再将同一类别的物体中不同的实例进行分别识别。自从2012年Alexnet之后，深度学习正式引入计算机视觉领域。视频理解：增加了时间维度，如何充分利用前后帧的关系是重要的。如何

OpenMMLab实战营打卡-第3课MMClassification介绍图像分类工具包MMClassification代码仓库：https://github.com/open-mmlab/mmclassification

本次课程老师主要向我们讲解了openmmlab中图像分类mmclassification的相关代码，介绍了其中部分参数所代表的含义。

一、基本介绍图像分类作用：给定一张图片，让计算机识别出图片中的物体是什么。原理：计算机能看到的只是一个个像素的数值，对于一个RGB图像来说，假设图像的尺寸为3232，那么机器看到的就是一个形状为332*32的矩阵，那么机器的任务就是寻找其中的函数关系，这个函数关系可以将这些像素映射到一个具体的类别机器学习一般规则：收集数据→定义模型→训练→预测但是再实践中发现机器学习有算法效率低下的问题，故只能用

图像分类代码实战与超算平台介绍MMClassification代码介绍MMClassification代码介绍主要使用修改配置文件的方法修改任务modeltypebackboneneckheadload_from用于加载预训练模型data自定义数据集分训练集、验证集、测试集图像路径、标注文件、预处理pipelineevaluationoptimizer多卡变单卡，学习率要等比例缩小微调训练，可适当

OpenMMlab学习笔记（3）今天主要学习MMclassification的代码实现，之前我在环境安装上花了不少的功夫，现在应该能顺利的安装好环境，现在也挺佩服我自己的，不管遇到什么问题，都能非常有耐心的

OpenMMlab学习笔记（2）今天主要介绍了好图片分类的算法，之前也自己试过这个项目，可以基础知识不扎实，很多东西都不是很懂，今天课也讲很细，很干货，还是得慢慢的消化，今天也比较忙，明天一定要抽时间，

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文章目录前言一、图像分类二、神经网络三、OpenMMLabMMClassification介绍前言OpenMMLab为香港中文大学-商汤科技联合实验室

一、MMClassification简介命令：推理工具：单张图像推理、测试（单卡&多机多卡）GettingStarted—MMClassification0.25.0documentation训练工具：单卡训练、多卡训练（单机&多机）、任务调度器、从checkpoint恢复训练GettingStarted—MMClassification0.25.0documentation使用MIN工具实现训练

OpenMMLab为香港中文大学-商汤科技联合实验室MMLab开源的算法平台，不到两年时间，已经包含众多SOTA计算机视觉算法。本文将介绍这次学习收获。

https://github.com/open-mmlab/mmcv简介是OpenMMLab家自己开发的模块、包，其他框架的运行，例如MMDetection的运行是依赖于这个库的MMCV是一个面向计算机视觉的基础库

OpenMMLab作业Homework1作业说明：https://github.com/open-mmlab/OpenMMLabCamp/blob/main/AI%20%E5%AE%9E%E6%88%98%

阅读大概需要5分钟Follow小博主，每天更新前沿干货转载自：机器之心新年伊始，香港中文大学多媒体实验室（MMLab）OpenMMLab又有新动作，发布了一款一体化视频目标感知平台MMTracking。

图像分类发展历程传统方法：设计图像特征（1990s-2000s），图像→（人工设计的算法）→特征向量→（机器学习）→分类，受限于人类智慧从特征工程到特征学习：深度学习时代（2012至今），层次化特征的实现：CNN、Transformer等卷积神经网络AlexNet→VGG,GoogLeNet→ResNet及其改进更强的图像分类模型神经结构搜索NeuralArchitectureSearch（201

课程链接：火爆全网的OpenMMLab实战项目来了（基于PyTorch）第三课是实战课，没有什么需要整理的理论知识，这里主要记录一下视频中没有给到的各种代码1.演示mmclassification用的.

图像分类工具包MMClassification包含：丰富的模型：卷积神经网络、Transformer模型等数据集支持：CIFAR、ImageNet1K/2K等训练技巧与策略：优化器与学习率策略、数据增强策略等易用的工具：预制配置文件、预训练模型、CAM可解释性分析等、部署工具等配置文件涉及模型结构、数据集、训练策略、辅助功能等，model,data,optimizer,lr_config,load

MMClassification是OPENMMLAB的开源分割算法库，有诸多预训练模型以供选择图像分类一般经过如下流程通过对数据采样来获取统一数据及内不同的数据，如果数据量有限可以通过数据增强等方法增加数据量

MMClassification介绍图像分类工具包MMClassificationPython推理API推理工具（需源码安装）使用MIM工具实现训练和测试环境搭建OpenMMLab项目中的重要概念——配置文件

mmlab可在linux与windows跑，可以使用mim用于管理所有包，用来配置mmcv与mmcls。传统torch图像分类将image送入model后，得到的是各个类别的logits分数，torch训练的时候在送入损失时,交叉熵损失函数自动将分数进行Softmax，算到0-1之间的概率分布，进而在进行后续loss损失计算。loss_fn=nn.CrossEntropyLoss()loss=lo

图像分类代码实战与超算平台介绍1.课程：https://www.bilibili.com/video/BV1MA411k7NT/?spm_id_from=333.999.0.02.环境配置老师讲的很细致，以后要注意自己环境的配置，反复了几次，都是因为各种库版本兼容问题。3.图像分类代码分为数据预处理、数据读取、模型设计、loss函数、模型训练、和模型推理，六个大模块。MMCls可以用若干调用代码完

图像分类究其本质就是做如下这样一个数学过程已知X，X∈y这个类别的概率P(y|X)=F(X)，F就是一个学习器本节主要介绍了MMclassification这个类的应用其主要API就是如下这么三个搭建模型包括数据配置都在一个配置文件里，应该说还是比较方便模型搭建也比较方便数据集构造方式

图像分类，目标，给定一张图像，识别图像中的物体是什么数学表示：类别编号香蕉→1，苹果→2，橘子→3等等，而图像是由像素构成的数组x，y=f(x)，y=1，类别：香蕉设计一个含参变量的函数y=f（x），通过大量数据，调整参数机器学习善于处理低维、分布相对简单的数据，有很多图像数据是几十万维需要用到深度学习深度学习靠卷积或多头注意力来提取特征，在注意力机制里面，特征是输入的函数实现query和key、

今天主讲了代码以及北京超算的使用教程，由于申请的北京超算还没到，于是我在本地配给了mmcv以及mmcls跟着项目做了一些简单的识别以及调试。在这其中其实碰到了很多问题，很多package、命令都是第一次使用，出现了很多问题如模块的缺失、输入位置错误等等，但我也相信具有C++和MATLAB程序设计基础，直接上手python的深度学习项目还是能够自然而然的迁移的，也可以多多的代码阅读中增加码力

计算机视觉之图像分类算法基础课程视频回放：https://www.bilibili.com/video/BV1js4y1W7CN/?spm_id_from=333.788&vd_source=db3d134c564b091aeb95550baf2fa5b0一、图像分类与基础视觉模型基础介绍：图像分类：给一张图片，识别图片中的物体是什么计算机难以通过简单代码实现，使用“学习”。——采集数据、定义模型

计算机视觉分类基础计算机视觉发展：传统方法（1990s至2000s）：通过人工设计的算法，进行降维，将几十万维度降低至几千维度，再用传统机器学习进行分类。在2010年这样基于这种传统方法错误率依然有25%左右。深度学习方法（2012至今）：2012年首次使用深度学习方法，将错误率将至15%左右。模型设计卷积神经网络：2012年实现大规模图像的模型，并且创新的用了ReLU激活函数，大幅提高收敛速度，

环境介绍作业全程使用华为云ECS平台完成硬件环境CPU：Intel®Xeon®[email protected]内存：64GGPU：NvidiaTeslaV100S-PCI软件环境操作系统：Ubuntu20.02CUDA：11.2Cudnn：8.1环境准备安装Anaconda下载地址：https://repo.anaconda.com/archive/Anaconda3-2022.10-Li

OpenMMLabAI实战营第三天打卡笔记北京超算云使用环境的安装与配置北京超算云使用无论是Windows系统还是我目前正在使用的MacOS系统都不适用于进行深度学习的实验，但是重新购置一台搭配Linux系统的深度学习工作站成本过于高昂，正好北京超算云提供云平台，平台内提供了现成的ssh和文件传输功能，并且MacOS系统和Linux系统有众多相似之处，所以上手并不难。环境的安装与配置环境的安装与配

MMClassification介绍介绍mmclassification工具包使用mmcls推理代码：推理工具：MIM工具：环境搭建：代码教学然后介绍使用pytorch框架实现分类模型的代码：（https://pytorch.org/tutorials/beginner/basics/quickstart_tutorial.html)之后介绍mmcls的推理-配置文件+参数文件：（https://

今天讲解的主要是实际的实操过程part1MMClassificationMMClassification是图像分类的工具包，支持大量的图像分类模型MMClassfication仓库地址：https://github.com/open-mmlab/mmclassificationMMClassfication教程地址：https://mmclassification.readthedocs.io/e

今天是AI实战训练营第三节课的笔记，这节课主要讲了如何使用Openmmlab的框架，以及如何使用超算平台。依旧是上节课的这样的一个图，这节课学的东西很多都来自这张图片。

mmclsMMClassification是一款基于PyTorch的开源图像分类工具箱，是OpenMMLab项目的成员之一主分支代码目前支持PyTorch1.5以上的版本。

MMClassfication是图像分类工具包有丰富的模型卷积神经网络轻量化卷积网络Transformer模型数据集支持训练技巧与策略易用的工具模块化设计在OpenMMLab项目中，所有这些项目都涵盖在一个配置文件中

今天是第三次课。这次课总体就是云里雾里。先是一个博士讲了代码实战，录好的视频，屏幕模糊，准备不充分，讲的不清不楚。然后是北京超算的讲他们的平台，他就讲的好一些，至少是有备而来，然则里面的linux代码看的人眼花缭乱，想用这个平台也不容易。只能说，这个课还是需要一定门槛。无他。附gitee主页：OpenMMLabAI实战营从入门到放弃

今天学了第二课，这一课讲理论。还是和之前一样，内容很多，对初学者不友好，对已掌握者最多复习过一遍。涉及面极广，经典的、最新的都讲了一遍，博士的水平还是强。主要内容：深度学习基础及卷积神经网络。期待后面的代码实战课，能有所收获。其他没什么。附gitee主页：OpenMMLabAI实战营从入门到放弃

MMClassification介绍图像分类工具包python推理API配置文件的运作方式图像分类模型构建数据集构建定义数据加载流水线配置学习策略

图像分类与基础视觉模型图像分类模型设计卷积神经网络轻量化卷积神经网络VisionTransformers模型学习监督学习自监督学习数据增强图像分类模型设计卷积神经网络AlexNet(2012)GoingDeeper(2012~2014)：VGG(2014)、GoogLeNet(Inceptionv1,2014)残差网络ResNet(2015)ResNet的后续改进神经结构搜索NeuralArchi

一、创建环境1.加载anaconda,创建⼀个python版本为3.8的conda环境。2.安装PyTorch由于北京超算GPU资源为RTX3090,因此加载的cuda版本需要大于等于11.1。使用pip安装的torch不包括cuda，所以需要使⽤module加载cuda/11.1模块。本教程使用的PyTorch版本1.10.0+cu111。3.安装mmcv由于超算上使用mim命令安装可能存在兼容

第3课图像分类代码实战与超算平台介绍本次课程主要是介绍图形分类的代码实战以及超算平台的使用介绍，由于我这边并未使用超算平台，因此，这个部分就不做记录了，不过群里提供的超算使用手册中提供了一些工具函数、运行脚本等，可以进行参考。而在图形分类的代码实战中，主要是看了一下训练、推理的一些流程。这里我们一般使用已有的模型进行训练，重点需要考虑的是数据增强、训练策略等调优，而这些基本都可以通过修改confi