- 该仓库收录于PytorchNetHub
- 荣誉证书
- Hook用法 教程1 教程2
- 为模型不同模块分别指定学习率
- 验证图像完整性 教程
下游识别模型加载自监督预训练权重教程- 训练时加载
预训练权重教程 - 自监督模型&识别模型 如何导出ONNX
from mmpretrain import get_model model_name="mocov3_vit-base-p16_16xb256-amp-coslr-300e_in1k" pretrained="./mocov3_vit-base-p16_16xb256-amp-coslr-300e_in1k-224_20220826-25213343.pth" model = get_model(model_name, pretrained=pretrained) torch_model=model.backbone # 自监督模型，与model.extract_feat等价,仅包含backbone torch_model=model # 识别模型，包含backbone、neck、head torch_model.eval() onnx_path="./model.onnx" # 文件夹 imgs = torch.ones(tuple([1,3,224,224])) with torch.no_grad(): torch.onnx.export( torch_model, imgs, onnx_path, verbose=False, opset_version=17, input_names=["input"], output_names=["output"], dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}}, # Batch维度动态 )
以下内容已过时
## MMClassification图像识别
优势
- 模型库：支持内置库、timm、huggingface
- 任务：支持单任务、多任务、TTA测试等
用法
-
启用timm模型库
model = dict( _delete_=True, type="TimmClassifier", model_name="swinv2_base_window16_256", pretrained=True, # timm接口参数 loss=xxx, train_cfg=xxx, )
-
命令行改参数
bash ./tools/dist_train.sh xx.py --amp --cfg-options train_dataloader.batch_size=12