.
├── DataSets # 训练数据集和测试数据集
├── imcls # 检测算法模块。里面包括算法模型核心代码以及模型优化代码。不过由于里面有一些模块并未完成(engine模块相关等)。所以模型的训练由train.py显式重写的
├── results # 测试集检测结果
├── tools # 一些与算法模型无关的工具
│ ├── diff_res.py
│ └── train_valid_split.py
├── train-outs # 训练模型权重结果
├── train.py # 模型训练代码
├── test.py # 模型推理测试代码
算法的实现具有非常清晰的结构，对于不同的模型，不同的约束等仅需要简单的修改对应的配置就可以。
imcls模块里面包含了多种基本的分类模型算法。
imcls
├── __init__.py
├── checkpoint # 模型checkpoint实现，目前尚未完善
├── config # 网络yaml配置文件读取相关代码
├── data # 数据集及数据增强处理代码
│ ├── __init__.py
│ ├── build.py
│ ├── datasets # 数据集读取代码，custom 数据集需要再此处添加对应的数据读取方式
│ ├── samplers # 数据采样器
│ └── transforms # 数据增强变换
├── engine # 训练器，目前尚未完善。完善后可以实现更加简便的训练以及训练日志的记录
├── modeling # 网络模块化
│ ├── __init__.py
│ ├── backbone # 骨干网络，目前收录resnet_cbam，resnest，efficientnet
│ │ # 以及torchvisiosn 里面的网络结构。
│ ├── heads # 网络头部，一般都是全连接层
│ ├── meta_arch # 基本网络结构，即backbone和heads的组合，会根据配置进行组合。
│ ├── modeling.py # 临时实现的分类模型，未来完善后将弃用
│ └── network.py # 临时实现的分类模型，未来完善后将弃用(已弃用)
├── nn_module # 一些小模块
│ ├── attention.py
│ ├── __init__.py
│ └── loss_trick.py
├── solver # 优化器相关
│ ├── build.py
│ ├── __init__.py
│ └── lr_scheduler.py
└── utils
- Linux with Python ≥ 3.6
- PyTorch ≥ 1.6
- torchvision that matches the PyTorch installation. You can install them together at pytorch.org to make sure of this.
- fvcore
参照 configs 里面的配置，配置好网络，优化器等之后，将 train.py 的
cfg_file = "configs/call_smoke_cls/resnest200-S2.yaml"
改为你的配置文件路径。
执行
python3 train.py
即可。
与训练部分类似。