在MMDetection实战系列1中我们介绍到根据自己的数据集魔改官方模型中的num_classes参数，在本文中将会结构化的介绍模型中的其他参数

mmdetection使用集成训练方法

在我们打开某一个模型文件mmdetection-master/configs/{方法名}/{方法名}.py会发现里面的代码非常短

实际上，这是通过_base_链接到了其他文件，往往这样的链接会有七八层。

提问：我们如何获取完整的配置文件代码，并对其参数进行修改？

获取完整的配置文件代码

第一步查看完整的配置文件代码，包含所有字段

python tools/misc/print_config.py configs/{方法名}/{方法名}.py

第二步将完整的配置文件代码导入到txt，生成在mmdetection-master主目录下

python tools/misc/print_config.py configs/{方法名}/{方法名}.py > config.txt

第三步创建项目文件夹record，在其中保存训练结果、完整的配置文件代码

python tools/train.py configs/{方法名}/{方法名}.py --work-dir record

结构化介绍模型文件参数

详细的faster_rcnn_r50_fpn_1x.py的介绍文章：https://blog.csdn.net/hajlyx/article/details/85991400

模型文件名解析

config 配置文件夹

# faster_rcnn 方法名
# r50 50层训练
# caffe 
# coco coco数据集
faster_rcnn_r50_caffe_c4_1x_coco.py

# fpn 目标检测进一步处理
# mstrain  多尺度训练策略
# 3x   3*12=36个epoch训练
faster_rcnn_r101_fpn_mstrain_3x_coco.py

models参数(一般改动不多)

models(一般改动不多)
每一个属性中的参数其实都是为了传递到mmdet/models下的模型类文件中去

参数type对应模型的类名,每一个类文件都会登记在mmdet/models/__init__里

常用参数：（参数和模型有关，每个模型参数不同）
backbone.depth    将50改成101,对应r50、r101
roi_head.numclass = 80    训练次数

model = dict(
        # 类型
        type = ...

        # 
        backbone

        # 后处理fpn
        neck

        # rpn层 和 roi层
        rpn_head
        roi_head

        # 设置
        train_cfg
        test_cfg
)

datasets参数---数据处理(自定义成分高)

sample_per_gpu = 2 # batch size of each gpu 每个gpu上的sample，类似pytorch dataloader上的参数
work_per_gpu = 2 # 子线程

train
        type 同上，传参到对应的类文件  mmdet/datasets/.....   类名在mmdet/datasets/__init__里登记过
        ann_file 	标注文件路径json文件
        img_prefix	标注文件的图片前缀 
        pipeline =  ..  数据处理流

val
test

schedules(自定义成分高)

optimizer
lr
checkpoint 多少个epoch保存一个log
log_config 多少个epoch打印一次当前epoch的log
load_from  重新跑
resume_from 从断点继续跑，参数效果覆盖load_from
worckflow = [{(train, 12),(val, 1),(test, 1)}]   train 12次，val 1次, test 1次  （这个参数有问题*）
work_dir

MMDetection实战系列2——魔改模型文件的其他参数