如果环境已安装mmclassification，请跳过该步骤。mmclassification框架安装与调试验证请参考博客：mmclassification安装与调试_Coding的叶子的博客-CSDN博客_mmclassification 安装。
mmclassification 的数据集目录主要由标注文件和图片样本组成，其中标注文件存储在meta文件夹中，图片样本存在train、val、test文件夹下，即分别是用于训练、验证和测试的图片样本。图片样本文件按照类别存储在train、val、test文件夹下，同一类别图片存储在同一个子文件夹中，子文件夹的名称为图片所属类别名称。
meta文件夹中主要包含了train.txt、val.txt和test.txt文件。txt文件中的每一行分别存储了图片样本路径和类别id，如下图所示。
如果没有meta标注文件，请参考博客：mmclassification 标注文件生成_Coding的叶子的博客-CSDN博客，生成meta文件夹及其文件夹下的txt文件。
本文示例数据来源于minist手写字体可视化数据集，已按照train、test文件夹进行存储，下载地址为：minist手写数字可视化数据集-深度学习文档类资源-CSDN下载。
将下载的数据集文件夹名称重名为Minist，并且mmclassification工程目录下新建data文件夹，将数据集放到data文件夹下即可。数据集的存储路径不限，需要在下方3.3节中配置相应的路径即可。
在mmclassification工程目录下的mmcls/datasets/新建mydataset.py文件，自定义数据加载类MyDataset，文件名称mydataset和类名称MyDataset可以自行更改。mydataset.py文件中的内容如下：
# -*- coding: utf-8 -*-
"""
乐乐感知学堂公众号
@author: https://blog.csdn.net/suiyingy
"""
import numpy as np
from .builder import DATASETS
from .base_dataset import BaseDataset
@DATASETS.register_module()
class MyDataset(BaseDataset):
def load_annotations(self):
assert isinstance(self.ann_file, str)
data_infos = []
with open(self.ann_file) as f:
samples = [x.strip().split(' ') for x in f.readlines()]
for filename, gt_label in samples:
info = {'img_prefix': self.data_prefix}
info['img_info'] = {'filename': filename}
info['gt_label'] = np.array(gt_label, dtype=np.int64)
data_infos.append(info)
return data_infos在mmcls/datasets/__init__.py文件中增加上面定义的类MyDataset，如下图所示：
在mmclassification工程目录configs/_base_/datasets/文件夹下，新建mydataset.py文件，主要用于设置数据集类型、数据增强方式、batch size (samples_per_gpu)、数据集路径和标注文件路径、模型保存周期(interval)。文件内容如下所示：
# -*- coding: utf-8 -*-
"""
乐乐感知学堂公众号
@author: https://blog.csdn.net/suiyingy
"""
dataset_type = 'MyDataset'
classes = ['cat', 'bird', 'dog'] # The category names of your dataset
img_norm_cfg = dict(
mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
dict(type='LoadImageFromFile'),
dict(type='RandomResizedCrop', size=224),
dict(type='RandomFlip', flip_prob=0.5, direction='horizontal'),
dict(type='Normalize', **img_norm_cfg),
dict(type='ImageToTensor', keys=['img']),
dict(type='ToTensor', keys=['gt_label']),
dict(type='Collect', keys=['img', 'gt_label'])
]
test_pipeline = [
dict(type='LoadImageFromFile'),
dict(type='Resize', size=(256, -1)),
dict(type='CenterCrop', crop_size=224),
dict(type='Normalize', **img_norm_cfg),
dict(type='ImageToTensor', keys=['img']),
dict(type='Collect', keys=['img'])
]
data = dict(
train=dict(
type=dataset_type,
data_prefix='data/Minist/train',
ann_file='data/Minist/meta/train.txt',
classes=classes,
pipeline=train_pipeline
),
val=dict(
type=dataset_type,
data_prefix='data/Minist/test',
ann_file='data/Minist/meta/test.txt',
classes=classes,
pipeline=test_pipeline
),
test=dict(
type=dataset_type,
data_prefix='data/Minist/test',
ann_file='data/Minist/meta/test.txt',
classes=classes,
pipeline=test_pipeline
)
)
evaluation = dict(interval=1, metric='accuracy')以configs/resnet/resnet18_8xb16_cifar10.py配置文件为例，mmclassification的配置文件通常包含以下4个部分：
_base_ = [
'../_base_/models/resnet18_cifar.py', '../_base_/datasets/cifar10_bs16.py',
'../_base_/schedules/cifar10_bs128.py', '../_base_/default_runtime.py'
]../_base_/models/resnet18_cifar.py：定义模型参数，主要包括主干网络、neck、head和类别数量。
../_base_/datasets/cifar10_bs16.py：定义数据集增强方式和路径，也就是3.3节的配置文件，bs16表示batch size为16，即samples_per_gpu=16。
../_base_/schedules/cifar10_bs128.py：定义训练参数，主要包括优化器、学习率、训练总epoch数量。
../_base_/default_runtime.py：定义运行参数，主要包括模型保存周期、日志输出周期等。
configs主要修改的地方为数据配置文件，即把 '../_base_/datasets/cifar10_bs16.py'更换成3.3节中的配置文件'../_base_/datasets/mydataset.py'。即：
mmcls基本的训练命令为：
python tools/train.py 模型配置文件示例：
python tools/train.py configs/resnet/resnet18_8xb16_cifar10.py这里已经把resnet18_8xb16_cifar10.py文件按照第4节进行了修改。
更多三维、二维感知算法和金融量化分析算法请关注“乐乐感知学堂”微信公众号，并将持续进行更新。