导入 还有高手 BaseExp
super().__init__()
模型配置 数据加载配置 输入尺寸 变换尺寸 train_ann和val_ann是训练使用的标注文件
degrees 随机旋转角度范围 translate随机平移比例 scale缩放范围 mscale mosaic里的缩放范围，在使用mosaic拼图时，控制四张图各自的缩放比例 shear 错切变换角度，让图像产生斜拉的几何变形 perspective 透视变换强度 enable_mixup 意思是两张图按比例叠加+bbox合并
这些数据增强的具体的步骤看下面是定义在哪个类中，就是在哪个类中实现的 去找这个类所在的代码文件就知道 这个操作具体是如何实现的了
训练配置 预热epoch 是5 最大是300 预热的学习率是0？这个后面应该会改 每个图像的学习率是 0.01/64 final_lr = basic_lr_per_img × total_batch_size
scheduler是啥 学习率调度器 控制学习率随epoch怎么变化的策略 无数据增强的epoch是15，那就是最后15个epoch无数据增强 最小的学习率比例 最小lr=初始lr*0.5防止lr衰减到0 ema是啥？ 权重衰减是干啥的 momentum是干啥的 动量 更新方向不仅只看当前梯度还要看过去梯度 昨天就有一个 0.9 0.1的比例 每10个step打印一次 推理是10个epoch/ 获得代码文件名字作为输出的exp_name
测试的输入图像的大小 测试的配置0.001 置信度阈值 貌似说的是在追踪阶段进行处理 nmsthre nms阈值 去重标准 多个框框住同一个目标 只保留一个
yolox.models导入这三个类 我定义的一个函数init_yolo 输入M M应该是一个模型 M.modules 就是模型里的所有子模块 对于每一层？如果 isinatance(m,nn.batchnorm2d)为真？设置eps 和 momentum (不知道eps)是啥
这个依附斯洛 然后如果getattr 这个函数不知道哪里来的 里面的参数是这些 不是none的话 设置输入通道？和backnone head self.model就有了 然后不知道apply这个是如何引出的 哪里有这个函数 然后Head.initialize这个函数在哪里弄得 这两步骤都经过啥了 给这个model干啥了 然后最后return model
model.modules 会遍历所有模块
instance(m,nn.batchnorm2d)层 只筛选 二维 batchnorm层
getattr是python内置函数 apply是pytorch的nn.module放啊
看sampler和dataloader跟前面看那个差不多 不看了 看下面这个random_resize
def random_resize(self, data_loader, epoch, rank, is_distributed):#数据加载\epoch\rank 是否分布式训练
tensor = torch.LongTensor(2).cuda() 创建一个长度为2的Tensor 放在GPU上 作用是在多进程之间同步输入尺寸 tensor[0] height。tensor[1] width
if rank == 0:# 只让rank0来做这个 随机只能发生一次
size_factor = self.input_size[1] * 1.0 / self.input_size[0] 计算宽高比例 这是前面的self.input_size
size = random.randint(*self.random_size) *self.random_size 将这个范围解包为两个独立的参数 在这个范围之间 生成一个数字
size = (int(32 * size), 32 * int(size * size_factor)) 32乘以这个数字 到 这个数字乘以宽高比例再乘以32 size在这个范围内 这是高度 和 宽度
tensor[0] = size[0]#tensor[0]是第一个 数字 高
tensor[1] = size[1]# tensor[1]是第二个 数字
if is_distributed: #如果分布式训练 后面的进程要和前面的进程保持一致 主进程将生成的tensor 发送给其他GPU进程
dist.barrier()
dist.broadcast(tensor, 0)
input_size = data_loader.change_input_dim(
multiple=(tensor[0].item(), tensor[1].item()), random_range=None
)#使用这个固定的尺寸
return input_size
#每n个interation变一次
#然后下面对于优化器的定义
def get_optimizer(self, batch_size):
if "optimizer" not in self.__dict__:#不在这个里面，意思是还没创建 仅仅是创建一次
if self.warmup_epochs > 0:#设置warmup_epoch大于0 我记得貌似是5 lr
lr = self.warmup_lr
else:#不然按照这个
lr = self.basic_lr_per_img * batch_size
pg0, pg1, pg2 = [], [], [] # optimizer parameter groups#设置三个列表
for k, v in self.model.named_modules():
if hasattr(v, "bias") and isinstance(v.bias, nn.Parameter):
pg2.append(v.bias) # biases
if isinstance(v, nn.BatchNorm2d) or "bn" in k:
pg0.append(v.weight) # no decay
elif hasattr(v, "weight") and isinstance(v.weight, nn.Parameter):
pg1.append(v.weight) # apply decay
optimizer = torch.optim.SGD(
pg0, lr=lr, momentum=self.momentum, nesterov=True
)
optimizer.add_param_group(
{"params": pg1, "weight_decay": self.weight_decay}
) # add pg1 with weight_decay
optimizer.add_param_group({"params": pg2})
self.optimizer = optimizer
不想看了 先这样吧
反正就是各个部分写一个代码 然后组合起来去调用
