val_evaluator– 用于计算验证指标的评估器对象。 它可以是一个字典或一个字典列表来构建一个评估器。 如果指定,还应指定 val_dataloader。 默认为无。 test_evaluator– 用于计算测试步骤指标的评估器对象。 它可以是一个字典或一个字典列表来构建一个评估器。 如果指定,还应指定 test_dataloader。 默认为无。 de...
get('val_cfg'), test_cfg=cfg.get('test_cfg'), auto_scale_lr=cfg.get('auto_scale_lr'), optim_wrapper=cfg.get('optim_wrapper'), param_scheduler=cfg.get('param_scheduler'), val_evaluator=cfg.get('val_evaluator'), test_evaluator=cfg.get('test_evaluator'), default_hooks=cfg.get('...
box_type_3d='LiDAR'))# val_evaluator = dict(# type='KittiMetric',# ann_file=data_roo...
test_evaluator=val_evaluator # 一些打印设置修改 default_hooks=dict( checkpoint=dict(interval=10,max_keep_ckpts=2, save_best='auto'),# 同时保存最好性能权重 logger=dict(type='LoggerHook',interval=5)) train_cfg=dict(max_epochs=max_epochs,val_interval=10) ...
val_evaluator = dict( type='CocoMetric', ann_file= 'C:/Zero/Python/Dataset/Refrigerator_COCO_Format/annotations/instances_val2017.json', metric='bbox', format_only=False, backend_args=None, scope='mmdet') test_evaluator = dict( type='CocoMetric', ...
metainfo=dict(class_names=class_names),box_type_3d='LiDAR'))# val_evaluator = dict(# type...
test_evaluator = val_evaluator Hooks default_hooks = dict( checkpoint=dict( interval=1, save_best='auto', max_keep_ckpts=3 ) ) custom_hooks = [ dict( type='EMAHook', ema_type='ExpMomentumEMA', momentum=0.0002, update_buffers=True, ...
val_evaluator = dict( type='KittiMetric', ann_file='data/kitti/kitti_infos_val.pkl', metric='bbox', backend_args=None) test_evaluator = dict( type='KittiMetric', ann_file='data/kitti/kitti_infos_val.pkl', metric='bbox', backend_args=None) ...
dump(data,info_val_path)def_fill_trainval_infos(root_path):"""划分训练集和验证集"""train_infos=[]val_infos=[]"""这部分自己写,步骤:1. 读取自定义数据集的 ann info 文件2. 将自定义的 ann info 信息处理成 dict3. 将 dict 存入 train_infos 和 val_infos 列表"""returntrain_infos,val_...
├── data│ ├── annotations│ │ ├── train.json│ │ └── val.json...