optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001) # 优化参数,lr为学习率,momentum为动量因子,weight_decay为权重衰减因子optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2)) # 梯度均衡参数 # learning policy lr_config = dict( policy='step', # 优化策略...
lr_config = dict( # Learning rate scheduler config used to register LrUpdater hook policy='step', # The policy of scheduler, also support CosineAnnealing, Cyclic, etc. Refer to details of supported LrUpdater from https://github.com/open-mmlab/mmcv/blob/master/mmcv/runner/hooks/lr_updater.p...
默认情况下,我们使用的是configs/_base_/schedules/schedule_1x.py中的调度设置,这是默认的Step LR调度,在MMCV中为StepLRHook,同时MMDetection也支持其他的调度器,如余弦调度(CosineAnneaing),在配置文件中及那个lr_config字段修改如下即可使用余弦调度。 代码解读 lr_config = dict( policy='CosineAnnealing', warm...
warmup_ratio=1.0 / 3, step=[8, 11]) 在上面的代码中,lr=0.02指定了初始学习率为0.02。lr_config字典中则定义了学习率调整策略,包括学习率调整方式(policy)、预热方式(warmup)、预热迭代次数(warmup_iters)、预热比例(warmup_ratio)以及学习率调整步长(step)等。通过调整这些参数,可以灵活地控制学习率的变化。
lr_config = dict(policy='step', step=[3]) # actual epoch = 3 * 3 = 9 checkpoint_config = dict(interval=1) # yapf:disable log_config = dict( interval=100, hooks=[ dict(type='TextLoggerHook'), # dict(type='TensorboardLoggerHook') ...
lr_config = dict(policy='step', step=[3]) # actual epoch = 3 * 3 = 9 checkpoint_config = dict(interval=1) # yapf:disable log_config = dict( interval=50, hooks=[ dict(type='TextLoggerHook'), # dict(type='TensorboardLoggerHook') ...
lr_config = dict(policy='step',warmup='linear',warmup_iters=500,warmup_ratio=0.001,step=[8, 11]) # 表示初始学习率在第8和11个epoch衰减10倍 还有其他的配置方案: Poly schedule lr_config = dict(policy='poly', power=0.9, min_lr=1e-4, by_epoch=False) ...
lr_config = dict( policy='step', warmup='linear', warmup_iters=500, warmup_ratio=1.0 / 3, step=[8, 11]) checkpoint_config = dict(interval=1) # yapf:disable log_config = dict( interval=50, hooks=[ dict(type='TextLoggerHook'), # dict(type='TensorboardLoggerHook') ]) # yapf:...
lr_config = dict(policy='step', warmup='linear', warmup_iters=500, step=[8, 11]) runner = dict(type='EpochBasedRunner', max_epochs=12) ``` ##模型权重文件 除了模型配置文件,mmdetection还生成了训练得到的模型权重文件,通常以`.pth`或`.pth.tar`为扩展名。这些权重文件包含了模型在训练集上...
配置文件由一串字典dict和变量的定义组成,经由Config.fromfile(filepath)函数加载后会返回一个Config类型的变量(MMCV的一个数据结构),然后MMDetection框架就能根据这个Config调用相关的build_detector()方法构建对应的模块。 具体地,build_detector()方法首先会根据字典中的type找到对应的类(Class),这个类的类名就...