mmclassification基本介绍这里就不过多阐述了，前期因为工作需要需要实现图片的功能，加上因为一直在使用mmlab相关库，所以就选了mmcls。具体其实和其他的mmlab的使用过程类似，基本上可能数据集结构搞定了就能够运行了。
我采用的是ImageNet的数据格式，一方面是省去了注册机制的那些，直接在原有代码基础之上修改，比较方便，另一方面是因为后续的config我用的也是image1k的，可能要面临的问题少一点。
总体树状结构如下：
—data
|----meta
|——|—train.txt
|——|—val.txt
|——|—test.txt
|----train
|——|—class1
|————|—01.jpg
|————|—02.jpg
|————|—…
|——|—class2
|————|—01.jpg
|————|—02.jpg
|————|—…
|----test
|——|—class1
|————|—01.jpg
|————|—02.jpg
|————|—…
|——|—class2
|————|—01.jpg
|————|—02.jpg
|————|—…
|----val
|——|—class1
|————|—01.jpg
|————|—02.jpg
|————|—…
|——|—class2
|————|—01.jpg
|————|—02.jpg
|————|—…
如图所示：
其中，meta里存放的3个是包含图片标签的地址目录：
即：path + 空格 + 标签索引
train、val、test三个文件夹存放的都是图片格式文件，如果本身你已经有对应的train.txt等文件，即已经有标签地址之后，你可以把所有图像混着放，如果没有的话，就每个类别建一个文件夹，再生成对应标签。由于我用的是自定义的数据集，所以我采用第二种方法，具体如下：
我总共是两个标签，分别是can和cant
train、val、和test三个文件夹我数据是按照7：2：1划分的。
具体先设定一个总的文件夹，该文件夹下面按照标签类别建立文件夹，存放对应的图片
划分的代码我也附上吧。
import os, random, shutil
##############################################################
## 分割数据集，首先将所有数据放在同一个文件夹下###################
def moveFile(fileDir, val_ratio, test_ration2):
pathDir1 = os.listdir(fileDir) # 取图片的原始路径
filenumber = len(pathDir1)
val_number = int(filenumber * val_ratio) # 抽取验证集的数量
test_number = int(filenumber * test_ratio) # 抽取测试集的数量
val_sample = random.sample(pathDir1, val_number) # 随机选取val图片
# 先抽取验证集图片
for name1 in val_sample:
shutil.move(os.path.join(fileDir, name1), os.path.join(valDir, name1))
# 从剩余的图片中抽取测试集
pathDir2 = os.listdir(fileDir) # 取图片的原始路径
test_sample = random.sample(pathDir2, test_number) # 随机选取val图片
for name2 in test_sample:
shutil.move(os.path.join(fileDir, name2), os.path.join(testDir, name2))
return
if __name__ == '__main__':
ori_path = './data/space_all/train' # 最开始train的文件夹路径
test_Dir = './data/space_all/test' # 移动到新的文件夹路径
val_Dir = './data/space_all/val' # 移动到新的文件夹路径
val_ratio, test_ratio = 0.1, 0.2 # 抽取比例 ******自己改*******
for firstPath in os.listdir(ori_path):
fileDir = os.path.join(ori_path, firstPath) # 原图片文件夹路径
valDir = os.path.join(val_Dir, firstPath) # val下子文件夹名字
testDir = os.path.join(test_Dir, firstPath) # test下子文件夹名字
if not os.path.exists(valDir): # 如果val下没有子文件夹，就创建
os.makedirs(valDir)
if not os.path.exists(testDir): # 如果test下没有子文件夹，就创建
os.makedirs(testDir)
moveFile(fileDir, val_ratio, test_ratio) # 从每个子类别开始逐个划分
print("Successfully splited!")
接下来就是生成对应的txt文件：
## 制作标签，在此之前需要用上半部分代码划分好数据集
path='./data/space_all/train'
data_path = pathlib.Path(path)
all_images_path = list(data_path.glob('*/*'))
all_images_path = [str(path) for path in all_images_path] # 所有图片路径名存入列表
random.shuffle(all_images_path) # 打散
print(len(all_images_path))
# print(all_images_path) # 打印前五个
# 开始制作标签
label_names = sorted(item.name for item in data_path.glob('*/') if item.is_dir())
print(label_names) # 打印类别名 注：下一步是制作与类别名对应的标签
label_to_index = dict((name, index) for index, name in enumerate(label_names))
all_image_labels = [label_to_index[pathlib.Path(path).parent.name] for path in all_images_path]
for image, label in zip(all_images_path[:5], all_image_labels[:5]):
print(image, '-----', label)
filename='./data/space_all/train.txt' # ***这里也要记得改***
print(image + " " + str(label) + "\n")
with open(filename,'w') as f:
for image,label in zip(all_images_path,all_image_labels):
f.write(image+" "+str(label)+"\n")
print("\nAll images and labels have been written in .txt!\n")
完成以后，数据这方面就算准备完毕了。
mmcls使用过程也比较简单，和其他mmlab的代码库使用过程相同，就是修改config下面对应的文件。这里我使用的是resnet18_8xb32_in1k.py，这个命名的含义是使用的是resnet18，8卡，batchsize32，数据集是imagenet1k的。可以先打开看一下这个文件。在configs/resnet/resnet18_8xb32_in1k.py
看着挺多的，实际上只要修改/base/datasets/imagenet_bs32.py那部分,查看该部分文件。
如果你不做其它微调的话，除了数据对应的路径要改以外，其它可以先不用改。
然后就是需要将自己的数据标签添加到ImageNet数据集标签中，当然这边也可以自己新建，我懒，没做。
具体操作如下：
在mmcls/imagenet.py中，把自己的标签加到CLASS中：
其他不做修改。
接下来就可以训练啦。两个方法，一个是直接运行，但是要记得修改运行配置，另外一个就是在terminal里面输指令了。我比较懒，是选第一种，这样不用每次输那么多指令。
第一部分是指定config文件，第二个是指定工作存档文件夹。然后就可以run啦。会在指定的文件夹下产生log文件、checkpoints文件，以及config文件，可以在这个config文件里对你的模型训练过程进行微调。
具体参数介绍我其他文章也讲过了，这里不细讲了：
其实这个文件就是系统自动把之前的那个config下的四个文件整合到一起了，下一次运行的时候，可以直接在这里修改，不会影响到其他训练的配置，会比较合理一些。包括路径以及其他基本设置。而后在设置运行配置的时候把这个作为你的config来就好了。
训练指标主要是acc-top1和acc-top5，top-1就是分类最好的那一个，top-5分类最好的前五个平局（因该是的吧）。训练结果会存储在log.json文件里。我们可以用最后一次产生的checkpoints文件，即latest.pth来对测试集进行验证。主要使用的是tools/test.py，和train一样，两种运行方式，这边我直接用指令了。
python tools/test.py work_dir/resnet18_8xb32_in1k.py work_dir/latest.pth --metrics accuracy --metric-option topk=1
这里第一部分是config文件地址，第二部分是采用的checkpoint地址，metrics是设定评价标准，选了accuracy，topk=1是采用acc-top1的值。
也可以把结果输出到json文件的，代码如下：
python tools/test.py work_dir/resnet18_8xb32_in1k.py work_dir/latest.pth --out result.json --out-items all
同样是可以选定输出的关键字，我把所有的都输出了
可以对训练日志进行可视化，直接使用自带的分析工具就好。例如将日志中的top1变化情况可视化出来，代码为：
python tools/analysis_tools/analyze_logs.py plot_curve work_dir/20230214_153510.log.json --keys accuracy_top-1 --legend accuracy --out result.jpg
其中plot_curve是绘制曲线，keys是绘制曲线选取的关键字，可以是多个，legend 是图例， out是保存的文件名。
想要使用训练出来的模型对新的图片进行预测，可以直接调用api，代码比较简单，我是用jupyter lab直接写的。源码大家自己敲吧，我放个照片
其实这些在docs文档里都写了很清楚了，但是很多人可能懒得去看吧，我也一样，只不过之前发现很多网上找的教程不全，只能自己慢慢看，也许有不全面的地方，可以告诉我，大家一起交流学习。mmlab总体给我感觉就是如果上手了，真的很方便很好用，推荐大家可以用一下试试。