标签:mmcv val os pytorch mmclassification path data class dir
堡垒机创建conda环境,并激活进入环境
conda create -n mmclassification python=3.7
conda activate mmclassification
堡垒机安装pytorch,torchvision,cudatoolkit
下载torch,torchvision安装包
在这个网址中 pytorch | 清华大学开源软件镜像站 ,先把你需要安装的版本下载下来,然后上传到堡垒机。例如我下载的:
上传并安装
在堡垒机中进入你的conda环境(下面的mmclassification改为自己的conda环境名字),然后安装一下就可以了。
conda activate mmclassification
conda install conda install pytorch-1.10.0-py3.7_cuda11.3_cudnn8.2.0_0.tar.bz2
conda install torchvision-0.11.0-py37_cu113.tar.bz2
# 再安装一下cudatoolkit
conda install cudatoolkit=10.2
堡垒机安装mmcv
下载mmcv安装包
也是同样,去 mmcv GitHub官网 下载mmcv你想要的版本,复制-f后边的网址打开,然后选择自己要装的mmcv版本,下载下来。
上传到堡垒机中后安装。
安装mmcv
conda install mmcv
堡垒机安装mmclassification
1️⃣ 先去mmclassification GitHub网址下载最新版本的压缩包,并上传到堡垒机。
open-mmlab/mmclassification: OpenMMLab Image Classification Toolbox and Benchmark (github.com)
2️⃣ 在堡垒机中切换到mmclassification根目录下,运行命令安装
pip3 install -e .
运行mmclassification demo文件
下载预训练
在mmclassification根目录新建个checkpoints文件夹,然后本地下载预训练权重并上传到堡垒机。以下载 resnet18_8xb32_in1k_20210831-fbbb1da6.pth 为例
resnet所有预训练下载地址: mmclassification/resnet
resnet18_8xb32_in1k_20210831-fbbb1da6.pth下载地址: resnet18_8xb32_in1k_20210831-fbbb1da6.pth
mkdir checkpoints
运行demo代码
记得修改命令中 checkpoints/后面的文件名,后续mmclassification可能会更新。
python demo/image_demo.py demo/demo.JPEG configs/resnet/resnet18_8xb32_in1k.py checkpoints/resnet18_8xb32_in1k_20210831-fbbb1da6.pth
demo运行结果:
load checkpoint from local path: checkpoints/resnet18_8xb32_in1k_20210831-fbbb1da6.pth
{
"pred_label": 58,
"pred_score": 0.3810223340988159,
"pred_class": "water snake"
}
制作自己的数据集
创建class.txt
首先处理好自己的数据集,我们按照imagenet的数据集存放方式,后边就不用新建一个数据集类了,比较方便。这一步非常重要,否则后续会有一系列报错
在mydata/目录下创建一个class.txt,内容为每个类别名字,例如我有两个类,类名分别为malignant,benign。
malignant
benign
数据清洗和划分
【train:val:test=7:2:1】。如果自己的数据集比较干净,可以跳过这个。
因为我的数据集中有.jpn, .json 等文件,所以我只保留 .jpg文件。并且我的图片名包含 ‘-’ ,这个也要去掉,我用 ‘_’ 替换,脚本比较简单,这里就不写了。
划分前是这样的:下标从零开始
mydata
- class0
- image1.jpg
- image2.jpg
- ...
- class1
- image1.jpg
- image2.jpg
- ...
- split_data.py
划分数据集的脚本:
import os
import shutil
import random
# 参数设置
train_prop = 0.7
val_prop = 2/3 # val在val和test中的占比
class_num = 2
root_path = os.getcwd()
class_data_dir = []
for i in range(class_num):
class_data_dir.append(os.path.join(root_path, 'class' + str(i)))
print(class_data_dir)
images_data=[]
for i in class_data_dir:
images_data.append(os.listdir(i))
# 划分训练集、验证集、测试集的图片下标
train_index,valtest_index,val_index, test_index = [],[],[],[]
for i in range(class_num):
train_index.append(random.sample(range(len(images_data[i])), int(len(images_data[i])*train_prop)))
valtest_index=list(set(range(len(images_data[i])))-set(train_index[i]))
val_index.append(random.sample(valtest_index, int(len(valtest_index)*val_prop)))
test_index.append(list(set(valtest_index)-set(val_index[i])))
# 重新创建train,val,test文件夹
# shutil.rmtree('./train')
# shutil.rmtree('./val')
# shutil.rmtree('./test')
os.makedirs('./train')
os.makedirs('./val')
os.makedirs('./test')
# 创建每个类的文件夹,从0开始
for i in range(class_num):
os.makedirs(f'./train/class{i}')
os.makedirs(f'./val/class{i}')
os.makedirs(f'./test/class{i}')
# 将图片拷贝到train,val,test文件夹
for i in range(class_num):
for j in train_index[i]:
shutil.copy(os.path.join(class_data_dir[i], images_data[i][j]), f'./train/class{i}')
for j in val_index[i]:
shutil.copy(os.path.join(class_data_dir[i], images_data[i][j]), f'./val/class{i}')
for j in test_index[i]:
shutil.copy(os.path.join(class_data_dir[i], images_data[i][j]), f'./test/class{i}')
# 打印结果
print('-'*50)
for i in range(class_num):
print('class' + str(i) + ' train' + ': ' + str(len(train_index[i])))
print('class' + str(i) + ' val' + ': ' + str(len(val_index[i])))
print('class' + str(i) + ' test' + ': ' + str(len(test_index[i])))
print()
print('-'*50)
划分后:
mydata
- train
- class0
- class1
- ...
- val
- class0
- class1
- ...
- test
- class0
- class1
- ...
- ...
创建train, val, test的txt文件
在mydata/目录下创建一个create_data_txt.py脚本并运行,内容如下,要修改自己的类别数。
import os
import glob
import re
num_class=2 # 改为自己的类别数
root_dir = os.getcwd()
# 在该路径下有train,val,test三个文件夹
train_dir = os.path.join(root_dir, "train")
val_dir = os.path.join(root_dir, "val")
test_dir = os.path.join(root_dir, "test")
def generate_txt(images_dir, map_dict):
# 读取所有文件名
imgs_dirs = glob.glob(images_dir + "/*/*.jpg")
# print(imgs_dirs)
# 打开写入文件
typename = images_dir.split("/")[-1]
target_txt_path = os.path.join(root_dir, typename + ".txt")
f = open(target_txt_path, "w")
# 遍历所有图片名
for img_dir in imgs_dirs:
# 获取第一级目录名称
filename = img_dir.split("/")[-2]
num = map_dict[filename]
# 写入文件
relate_name = re.findall(typename + "/([\w / - .]*)", img_dir)
f.write(relate_name[0] + " " + num + "\n")
if __name__ == '__main__':
# 创建字典,用于映射类别名称与类别编号
class_map_dict={}
for i in range(num_class):
class_map_dict['class'+str(i)] = str(i)
generate_txt(images_dir=train_dir, map_dict=class_map_dict)
generate_txt(images_dir=val_dir, map_dict=class_map_dict)
generate_txt(images_dir=test_dir, map_dict=class_map_dict)
这样我们的数据集就准备好了 ⭐
创建训练的配置文件
创建配置文件
想找到我们要用的模型,然后把文件名复制一下用来修改下面代码的内容:我以 convnext-large_64xb64_in1k.py 为例
我要在mmclassification/目录下创建一个work_dirs目录,然后创建一个 create_mmclassification_config.py 文件,用于创建一系列 mmclassification 的配置文件。
create_mmclassification_config.py 内容如下:
import os
from mmcv import Config
########################### 下面是一些超参数,可以自行修改 #############################
# model内参数设置
num_classes = 2 # 修改为自己的类别数
topk = (1,) # 修改为自己的topk,
# datasets内参数设置
root_path = os.getcwd()
model_name = 'convnext-large_64xb64_in1k' # 改成自己要使用的模型名字
work_dir = os.path.join(root_path, "work_dirs", 'convnext-large_64xb64_in1k_job1') # 训练保存文件的路径,job1,job2,,自己修改。
baseline_cfg_path = os.path.join('configs', 'convnext', 'convnext-large_64xb64_in1k.py') # 改成自己要使用的模型的路径
save_cfg_path = os.path.join(work_dir, 'config.py') # 生成的配置文件保存的路径
train_data_prefix = os.path.join(root_path, 'data', 'mydata', 'train') # 改成自己训练集图片的目录。
val_data_prefix = os.path.join(root_path, 'data', 'mydata', 'val') # 改成自己验证集图片的目录。
test_data_prefix = os.path.join(root_path, 'data', 'mydata', 'test') # 改成自己测试集图片的目录,没有测试机的发,可以用验证集。
train_ann_file = os.path.join(root_path, 'data', 'mydata', 'train.txt') # 修改为自己的数据集的训练集txt文件
val_ann_file = os.path.join(root_path, 'data', 'mydata', 'val.txt') # 修改为自己的数据集的验证集txt文件
test_ann_file = os.path.join(root_path, 'data', 'mydata', 'val.txt') # 修改为自己的数据集的测试集txt文件,没有测试集的话,可以用验证集。
classes = os.path.join(root_path, 'data', 'mydata', 'classes.txt') # 在自己的数据集目录下创建一个类别文件classes.txt,每行一个类别。
# 去找个网址里找你对应的模型的网址: https://mmclassification.readthedocs.io/en/latest/model_zoo.html
# 下载下来后,放到work_dir下面,并把名字改为checkpoint.pth。
load_from = os.path.join(work_dir, 'checkpoint.pth')
# 一些超参数,可以自行修改
gpu_num = 8 # 修改为自己的gpu数量
total_epochs = 100 # 改成自己想训练的总epoch数
batch_size = 2 ** 5 # 根据自己的显存,改成合适数值,建议是2的倍数。
num_worker = 8 # 比batch_size小,可以根据CPU核心数调整。
log_interval = 5 # 日志打印的间隔
checkpoint_interval = 15 # 权重文件保存的间隔
lr = 0.02 # 学习率
########################### 上边是一些超参数,可以自行修改 #############################
def create_config():
cfg = Config.fromfile(baseline_cfg_path)
if not os.path.exists(work_dir):
os.makedirs(work_dir)
cfg.work_dir = work_dir
# model内参数设置
cfg.model.head.num_classes = num_classes
cfg.model.head.topk = topk
if num_classes < 5:
cfg.evaluation = dict(metric_options={'topk': (1,)})
# datasets内参数设置
cfg.data.train.data_prefix = train_data_prefix
cfg.data.train.ann_file = train_ann_file
cfg.data.train.classes = classes
cfg.data.val.data_prefix = val_data_prefix
cfg.data.val.ann_file = val_ann_file
cfg.data.val.classes = classes
cfg.data.test.data_prefix = test_data_prefix
cfg.data.test.ann_file = test_ann_file
cfg.data.test.classes = classes
cfg.data.samples_per_gpu = batch_size # Batch size of a single GPU used in testing
cfg.data.workers_per_gpu = num_worker # Worker to pre-fetch data for each single GPU
# 超参数设置
cfg.log_config.interval = log_interval
cfg.load_from = load_from
cfg.runner.max_epochs = total_epochs
cfg.total_epochs = total_epochs
cfg.optimizer.lr = lr
cfg.checkpoint_config.interval = checkpoint_interval
# 保存配置文件
cfg.dump(save_cfg_path)
print("—" * 50)
print(f'CONFIG:\n{cfg.pretty_text}')
print("—" * 50)
print("Save config path:", save_cfg_path)
print("—" * 50)
if __name__ == '__main__':
create_config()
在mmclassification根目录下,用命令行运行create_mmclassification_config.py文件
python work_dirs/create_config.py
下载预训练权重
下载配置文件中模型的预训练权重,并放到配置文件的工作目录下,也就是work_dirs/convnext-large_64xb64_in1k_job1/目录下,并重命名为checkpoint.pth
convnext-large_64xb64_in1k 预训练的下载地址,自己所用的模型,去mmclassification Github官网找一下:https://download.openmmlab.com/mmclassification/v0/convnext/convnext-large_in21k-pre-3rdparty_64xb64_in1k_20220124-2412403d.pth
开始训练
单机单卡:
python tools/train.py work_dirs/convnext-large_64xb64_in1k_job1/config.py
单机多卡
bash tools/dist_train.sh work_dirs/convnext-large_64xb64_in1k_job1/config.py 8
图像推理
单张图像推理
python demo/image_demo.py ${IMAGE_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE}
单机单卡推理测试集
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}]
python tools/test.py work_dirs/convnext-large_64xb64_in1k_job1/config.py work_dirs/convnext-large_64xb64_in1k_job1/checkpoint.pth
单机多卡推理测试集
bash tools/dist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--out ${RESULT_FILE}]
bash tools/dist_test.sh work_dirs/convnext-large_64xb64_in1k_job1/config.py work_dirs/convnext-large_64xb64_in1k_job1/checkpoint.pth 8
标签:mmcv,val,os,pytorch,mmclassification,path,data,class,dir 来源: https://www.cnblogs.com/gy77/p/16379632.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。