原文地址：

?https://blog.csdn.net/u013066730/article/details/106859399/?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242

轉載防止迷路

?

# model settings model = dict(type='FasterRCNN', # model類型pretrained='modelzoo://resnet50', # 預訓練模型：imagenet-resnet50backbone=dict(type='ResNet', # backbone類型depth=50, # 網絡層數num_stages=4, # resnet的stage數量out_indices=(0, 1, 2, 3), # 輸出的stage的序號frozen_stages=1, # 凍結的stage數量，即該stage不更新參數，-1表示所有的stage都更新參數style='pytorch'), # 網絡風格：如果設置pytorch，則stride為2的層是conv3x3的卷積層；如果設置caffe，則stride為2的層是第一個conv1x1的卷積層neck=dict(type='FPN', # neck類型in_channels=[256, 512, 1024, 2048], # 輸入的各個stage的通道數out_channels=256, # 輸出的特征層的通道數num_outs=5), # 輸出的特征層的數量rpn_head=dict(type='RPNHead', # RPN網絡類型in_channels=256, # RPN網絡的輸入通道數feat_channels=256, # 特征層的通道數anchor_scales=[8], # 生成的anchor的baselen，baselen = sqrt(w*h)，w和h為anchor的寬和高anchor_ratios=[0.5, 1.0, 2.0], # anchor的寬高比anchor_strides=[4, 8, 16, 32, 64], # 在每個特征層上的anchor的步長（對應于原圖）target_means=[.0, .0, .0, .0], # 均值target_stds=[1.0, 1.0, 1.0, 1.0], # 方差use_sigmoid_cls=True), # 是否使用sigmoid來進行分類，如果False則使用softmax來分類bbox_roi_extractor=dict(type='SingleRoIExtractor', # RoIExtractor類型roi_layer=dict(type='RoIAlign', out_size=7, sample_num=2), # ROI具體參數：ROI類型為ROIalign，輸出尺寸為7，sample數為2out_channels=256, # 輸出通道數featmap_strides=[4, 8, 16, 32]), # 特征圖的步長bbox_head=dict(type='SharedFCBBoxHead', # 全連接層類型num_fcs=2, # 全連接層數量in_channels=256, # 輸入通道數fc_out_channels=1024, # 輸出通道數roi_feat_size=7, # ROI特征層尺寸num_classes=81, # 分類器的類別數量+1，+1是因為多了一個背景的類別target_means=[0., 0., 0., 0.], # 均值target_stds=[0.1, 0.1, 0.2, 0.2], # 方差reg_class_agnostic=False)) # 是否采用class_agnostic的方式來預測，class_agnostic表示輸出bbox時只考慮其是否為前景，后續分類的時候再根據該bbox在網絡中的類別得分來分類，也就是說一個框可以對應多個類別 # model training and testing settings train_cfg = dict(rpn=dict(assigner=dict(type='MaxIoUAssigner', # RPN網絡的正負樣本劃分pos_iou_thr=0.7, # 正樣本的iou閾值neg_iou_thr=0.3, # 負樣本的iou閾值min_pos_iou=0.3, # 正樣本的iou最小值。如果assign給ground truth的anchors中最大的IOU低于0.3，則忽略所有的anchors，否則保留最大IOU的anchorignore_iof_thr=-1), # 忽略bbox的閾值，當ground truth中包含需要忽略的bbox時使用，-1表示不忽略sampler=dict(type='RandomSampler', # 正負樣本提取器類型num=256, # 需提取的正負樣本數量pos_fraction=0.5, # 正樣本比例neg_pos_ub=-1, # 最大負樣本比例，大于該比例的負樣本忽略，-1表示不忽略add_gt_as_proposals=False), # 把ground truth加入proposal作為正樣本allowed_border=0, # 允許在bbox周圍外擴一定的像素pos_weight=-1, # 正樣本權重，-1表示不改變原始的權重smoothl1_beta=1 / 9.0, # 平滑L1系數debug=False), # debug模式rcnn=dict(assigner=dict(type='MaxIoUAssigner', # RCNN網絡正負樣本劃分pos_iou_thr=0.5, # 正樣本的iou閾值neg_iou_thr=0.5, # 負樣本的iou閾值min_pos_iou=0.5, # 正樣本的iou最小值。如果assign給ground truth的anchors中最大的IOU低于0.3，則忽略所有的anchors，否則保留最大IOU的anchorignore_iof_thr=-1), # 忽略bbox的閾值，當ground truth中包含需要忽略的bbox時使用，-1表示不忽略sampler=dict(type='RandomSampler', # 正負樣本提取器類型num=512, # 需提取的正負樣本數量pos_fraction=0.25, # 正樣本比例neg_pos_ub=-1, # 最大負樣本比例，大于該比例的負樣本忽略，-1表示不忽略add_gt_as_proposals=True), # 把ground truth加入proposal作為正樣本pos_weight=-1, # 正樣本權重，-1表示不改變原始的權重debug=False)) # debug模式 test_cfg = dict(rpn=dict( # 推斷時的RPN參數nms_across_levels=False, # 在所有的fpn層內做nmsnms_pre=2000, # 在nms之前保留的的得分最高的proposal數量nms_post=2000, # 在nms之后保留的的得分最高的proposal數量max_num=2000, # 在后處理完成之后保留的proposal數量nms_thr=0.7, # nms閾值min_bbox_size=0), # 最小bbox尺寸rcnn=dict(score_thr=0.05, nms=dict(type='nms', iou_thr=0.5), max_per_img=100) # max_per_img表示最終輸出的det bbox數量# soft-nms is also supported for rcnn testing# e.g., nms=dict(type='soft_nms', iou_thr=0.5, min_score=0.05) # soft_nms參數 ) # dataset settings dataset_type = 'CocoDataset' # 數據集類型 data_root = 'data/coco/' # 數據集根目錄 img_norm_cfg = dict(mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True) # 輸入圖像初始化，減去均值mean并處以方差std，to_rgb表示將bgr轉為rgb data = dict(imgs_per_gpu=2, # 每個gpu計算的圖像數量workers_per_gpu=2, # 每個gpu分配的線程數train=dict(type=dataset_type, # 數據集類型ann_file=data_root + 'annotations/instances_train2017.json', # 數據集annotation路徑img_prefix=data_root + 'train2017/', # 數據集的圖片路徑img_scale=(1333, 800), # 輸入圖像尺寸，最大邊1333，最小邊800img_norm_cfg=img_norm_cfg, # 圖像初始化參數size_divisor=32, # 對圖像進行resize時的最小單位，32表示所有的圖像都會被resize成32的倍數flip_ratio=0.5, # 圖像的隨機左右翻轉的概率with_mask=False, # 訓練時附帶maskwith_crowd=True, # 訓練時附帶difficult的樣本with_label=True), # 訓練時附帶labelval=dict(type=dataset_type, # 同上ann_file=data_root + 'annotations/instances_val2017.json', # 同上img_prefix=data_root + 'val2017/', # 同上img_scale=(1333, 800), # 同上img_norm_cfg=img_norm_cfg, # 同上size_divisor=32, # 同上flip_ratio=0, # 同上with_mask=False, # 同上with_crowd=True, # 同上with_label=True), # 同上test=dict(type=dataset_type, # 同上ann_file=data_root + 'annotations/instances_val2017.json', # 同上img_prefix=data_root + 'val2017/', # 同上img_scale=(1333, 800), # 同上img_norm_cfg=img_norm_cfg, # 同上size_divisor=32, # 同上flip_ratio=0, # 同上with_mask=False, # 同上with_label=False, # 同上test_mode=True)) # 同上 # optimizer optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001) # 優化參數，lr為學習率，momentum為動量因子，weight_decay為權重衰減因子 optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2)) # 梯度均衡參數 # learning policy lr_config = dict(policy='step', # 優化策略warmup='linear', # 初始的學習率增加的策略，linear為線性增加warmup_iters=500, # 在初始的500次迭代中學習率逐漸增加warmup_ratio=1.0 / 3, # 起始的學習率step=[8, 11]) # 在第8和11個epoch時降低學習率 checkpoint_config = dict(interval=1) # 每1個epoch存儲一次模型 # yapf:disable log_config = dict(interval=50, # 每50個batch輸出一次信息hooks=[dict(type='TextLoggerHook'), # 控制臺輸出信息的風格# dict(type='TensorboardLoggerHook')]) # yapf:enable # runtime settings total_epochs = 12 # 最大epoch數 dist_params = dict(backend='nccl') # 分布式參數 log_level = 'INFO' # 輸出信息的完整度級別 work_dir = './work_dirs/faster_rcnn_r50_fpn_1x' # log文件和模型文件存儲路徑 load_from = None # 加載模型的路徑，None表示從預訓練模型加載 resume_from = None # 恢復訓練模型的路徑 workflow = [('train', 1)] # 當前工作區名稱

?

總結

以上是生活随笔為你收集整理的【mmdetection】参数解析 转载的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。