我们将模块化和继承性设计融入到我们的配置文件系统中，方便进行各种实验。如果您想查看配置文件，你可以运行 python tools/misc/print_config.py /PATH/TO/CONFIG 来查看完整的配置文件。你也可以通过传递参数 --cfg-options xxx.yyy=zzz 来查看更新的配置信息。
在 config/_base_ 文件夹下面有4种基本组件类型： 数据集(dataset)，模型(model)，训练策略(schedule)和运行时的默认设置(default runtime)。许多模型都可以很容易地通过组合这些组件进行实现，比如 DeepLabV3，PSPNet。使用 _base_ 下的组件构建的配置信息叫做原始配置 (primitive)。
对于同一个文件夹下的所有配置文件，建议只有一个对应的原始配置文件。所有其他的配置文件都应该继承自这个原始配置文件，从而保证每个配置文件的最大继承深度为 3。
为了便于理解，我们建议社区贡献者从现有的方法继承。例如，如果您在 DeepLabV3 基础上进行了一些修改，用户可以先通过指定 _base_ = ../deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py 继承基本的 DeepLabV3 结构，然后在配置文件中修改必要的字段。
如果你正在构建一个全新的方法，它不与现有的任何方法共享基本组件，您可以在config下创建一个新的文件夹xxxnet ，详细文档请参考mmengine。
我们遵循以下格式来命名配置文件，建议社区贡献者遵循相同的风格。
{algorithm name}_{model component names [component1]_[component2]_[...]}_{training settings}_{training dataset information}_{testing dataset information}
配置文件的文件名分为五个部分，组成文件名每一个部分和组件之间都用_连接，每个部分或组件中的每个单词都要用-连接。
{algorithm name}: 算法的名称，如deeplabv3,pspnet等。{model component names}: 算法中使用的组件名称，如主干(backbone)、解码头(head)等。例如，r50-d8表示使用ResNet50主干网络，并使用主干网络的8倍下采样输出作为下一级的输入。{training settings}: 训练时的参数设置，如batch size、数据增强(augmentation)、损失函数(loss)、学习率调度器(learning rate scheduler)和训练轮数(epochs/iterations)。例如:4xb4-ce-linearlr-40K意味着使用4个gpu，每个gpu4个图像，使用交叉熵损失函数(CrossEntropy)，线性学习率调度程序，训练40K iterations。 一些缩写:{gpu x batch_per_gpu}: GPU数量和每个GPU的样本数。bN表示每个GPU的batch size为N，如8xb2为8个gpu x 每个gpu2张图像的缩写。如果未提及，则默认使用4xb4。{schedule}: 训练计划，选项有20k，40k等。20k和40k分别表示20000次迭代(iterations)和40000次迭代(iterations)。
{training dataset information}: 训练数据集名称，如cityscapes，ade20k等，以及输入分辨率。例如:cityscapes-768x768表示使用cityscapes数据集进行训练，输入分辨率为768x768。{testing dataset information}(可选): 测试数据集名称。当您的模型在一个数据集上训练但在另一个数据集上测试时，请将测试数据集名称添加到此处。如果没有这一部分，则意味着模型是在同一个数据集上进行训练和测试的。
为了帮助用户熟悉对这个现代语义分割系统的完整配置文件和模块，我们对使用ResNet50V1c作为主干网络的PSPNet的配置文件作如下的简要注释和说明。要了解更详细的用法和每个模块对应的替换方法，请参阅API文档。
_base_ = [
'../_base_/models/pspnet_r50-d8.py', '../_base_/datasets/cityscapes.py',
'../_base_/default_runtime.py', '../_base_/schedules/schedule_40k.py'
] # 我们可以在基本配置文件的基础上 构建新的配置文件
crop_size = (512, 1024)
data_preprocessor = dict(size=crop_size)
model = dict(data_preprocessor=data_preprocessor)_base_/models/pspnet_r50-d8.py是使用ResNet50V1c作为主干网络的PSPNet的基本模型配置文件。
# 模型设置
norm_cfg = dict(type='SyncBN', requires_grad=True) # 分割框架通常使用 SyncBN
data_preprocessor = dict( # 数据预处理的配置项，通常包括图像的归一化和增强
type='SegDataPreProcessor', # 数据预处理的类型
mean=[123.675, 116.28, 103.53], # 用于归一化输入图像的平均值
std=[58.395, 57.12, 57.375], # 用于归一化输入图像的标准差
bgr_to_rgb=True, # 是否将图像从 BGR 转为 RGB
pad_val=0, # 图像的填充值
seg_pad_val=255) # 'gt_seg_map'的填充值
model = dict(
type='EncoderDecoder', # 分割器(segmentor)的名字
data_preprocessor=data_preprocessor,
pretrained='open-mmlab://resnet50_v1c', # 加载使用 ImageNet 预训练的主干网络
backbone=dict(
type='ResNetV1c', # 主干网络的类别，更多细节请参考 mmseg/models/backbones/resnet.py
depth=50, # 主干网络的深度，通常为 50 和 101
num_stages=4, # 主干网络状态(stages)的数目
out_indices=(0, 1, 2, 3), # 每个状态(stage)产生的特征图输出的索引
dilations=(1, 1, 2, 4), # 每一层(layer)的空心率(dilation rate)
strides=(1, 2, 1, 1), # 每一层(layer)的步长(stride)
norm_cfg=norm_cfg, # 归一化层(norm layer)的配置项
norm_eval=False, # 是否冻结 BN 里的统计项
style='pytorch', # 主干网络的风格，'pytorch' 意思是步长为2的层为 3x3 卷积， 'caffe' 意思是步长为2的层为 1x1 卷积
contract_dilation=True), # 当空洞率 > 1, 是否压缩第一个空洞层
decode_head=dict(
type='PSPHead', # 解码头(decode head)的类别。可用选项请参 mmseg/models/decode_heads
in_channels=2048, # 解码头的输入通道数
in_index=3, # 被选择特征图(feature map)的索引
channels=512, # 解码头中间态(intermediate)的通道数
pool_scales=(1, 2, 3, 6), # PSPHead 平均池化(avg pooling)的规模(scales)。 细节请参考文章内容
dropout_ratio=0.1, # 进入最后分类层(classification layer)之前的 dropout 比例
num_classes=19, # 分割前景的种类数目。 通常情况下，cityscapes 为19，VOC为21，ADE20k 为150
norm_cfg=norm_cfg, # 归一化层的配置项
align_corners=False, # 解码过程中调整大小(resize)的 align_corners 参数
loss_decode=dict( # 解码头(decode_head)里的损失函数的配置项
type='CrossEntropyLoss', # 分割时使用的损失函数的类别
use_sigmoid=False, # 分割时是否使用 sigmoid 激活
loss_weight=1.0)), # 解码头的损失权重
auxiliary_head=dict(
type='FCNHead', # 辅助头(auxiliary head)的种类。可用选项请参考 mmseg/models/decode_heads
in_channels=1024, # 辅助头的输入通道数
in_index=2, # 被选择的特征图(feature map)的索引
channels=256, # 辅助头中间态(intermediate)的通道数
num_convs=1, # FCNHead 里卷积(convs)的数目，辅助头中通常为1
concat_input=False, # 在分类层(classification layer)之前是否连接(concat)输入和卷积的输出
dropout_ratio=0.1, # 进入最后分类层(classification layer)之前的 dropout 比例
num_classes=19, # 分割前景的种类数目。 通常情况下，cityscapes 为19，VOC为21，ADE20k 为150
norm_cfg=norm_cfg, # 归一化层的配置项
align_corners=False, # 解码过程中调整大小(resize)的 align_corners 参数
loss_decode=dict( # 辅助头(auxiliary head)里的损失函数的配置项
type='CrossEntropyLoss', # 分割时使用的损失函数的类别
use_sigmoid=False, # 分割时是否使用 sigmoid 激活
loss_weight=0.4)), # 辅助头损失的权重，默认设置为0.4
# 模型训练和测试设置项
train_cfg=dict(), # train_cfg 当前仅是一个占位符
test_cfg=dict(mode='whole')) # 测试模式，可选参数为 'whole' 和 'slide'. 'whole': 在整张图像上全卷积(fully-convolutional)测试。 'slide': 在输入图像上做滑窗预测_base_/datasets/cityscapes.py是数据集的基本配置文件。
# 数据集设置
dataset_type = 'CityscapesDataset' # 数据集类型，这将被用来定义数据集
data_root = 'data/cityscapes/' # 数据的根路径
crop_size = (512, 1024) # 训练时的裁剪大小
train_pipeline = [ # 训练流程
dict(type='LoadImageFromFile'), # 第1个流程，从文件路径里加载图像
dict(type='LoadAnnotations'), # 第2个流程，对于当前图像，加载它的标注图像
dict(type='RandomResize', # 调整输入图像大小(resize)和其标注图像的数据增广流程
scale=(2048, 1024), # 图像裁剪的大小
ratio_range=(0.5, 2.0), # 数据增广的比例范围
keep_ratio=True), # 调整图像大小时是否保持纵横比
dict(type='RandomCrop', # 随机裁剪当前图像和其标注图像的数据增广流程
crop_size=crop_size, # 随机裁剪的大小
cat_max_ratio=0.75), # 单个类别可以填充的最大区域的比
dict(type='RandomFlip', # 翻转图像和其标注图像的数据增广流程
prob=0.5), # 翻转图像的概率
dict(type='PhotoMetricDistortion'), # 光学上使用一些方法扭曲当前图像和其标注图像的数据增广流程
dict(type='PackSegInputs') # 打包用于语义分割的输入数据
]
test_pipeline = [
dict(type='LoadImageFromFile'), # 第1个流程，从文件路径里加载图像
dict(type='Resize', # 使用调整图像大小(resize)增强
scale=(2048, 1024), # 图像缩放的大小
keep_ratio=True), # 在调整图像大小时是否保留长宽比
# 在' Resize '之后添加标注图像
# 不需要做调整图像大小(resize)的数据变换
dict(type='LoadAnnotations'), # 加载数据集提供的语义分割标注
dict(type='PackSegInputs') # 打包用于语义分割的输入数据
]
train_dataloader = dict( # 训练数据加载器(dataloader)的配置
batch_size=2, # 每一个GPU的batch size大小
num_workers=2, # 为每一个GPU预读取数据的进程个数
persistent_workers=True, # 在一个epoch结束后关闭worker进程，可以加快训练速度
sampler=dict(type='InfiniteSampler', shuffle=True), # 训练时进行随机洗牌(shuffle)
dataset=dict( # 训练数据集配置
type=dataset_type, # 数据集类型，详见mmseg/datassets/
data_root=data_root, # 数据集的根目录
data_prefix=dict(
img_path='leftImg8bit/train', seg_map_path='gtFine/train'), # 训练数据的前缀
pipeline=train_pipeline)) # 数据处理流程，它通过之前创建的train_pipeline传递。
val_dataloader = dict(
batch_size=1, # 每一个GPU的batch size大小
num_workers=4, # 为每一个GPU预读取数据的进程个数
persistent_workers=True, # 在一个epoch结束后关闭worker进程，可以加快训练速度
sampler=dict(type='DefaultSampler', shuffle=False), # 训练时不进行随机洗牌(shuffle)
dataset=dict( # 测试数据集配置
type=dataset_type, # 数据集类型，详见mmseg/datassets/
data_root=data_root, # 数据集的根目录
data_prefix=dict(
img_path='leftImg8bit/val', seg_map_path='gtFine/val'), # 测试数据的前缀
pipeline=test_pipeline)) # 数据处理流程，它通过之前创建的test_pipeline传递。
test_dataloader = val_dataloader
# 精度评估方法，我们在这里使用 IoUMetric 进行评估
val_evaluator = dict(type='IoUMetric', iou_metrics=['mIoU'])
test_evaluator = val_evaluator_base_/schedules/schedule_40k.py
# optimizer
optimizer = dict(type='SGD', # 优化器种类，更多细节可参考 https://github.com/open-mmlab/mmengine/blob/main/mmengine/optim/optimizer/default_constructor.py
lr=0.01, # 优化器的学习率，参数的使用细节请参照对应的 PyTorch 文档
momentum=0.9, # 动量大小 (Momentum)
weight_decay=0.0005) # SGD 的权重衰减 (weight decay)
optim_wrapper = dict(type='OptimWrapper', # 优化器包装器(Optimizer wrapper)为更新参数提供了一个公共接口
optimizer=optimizer, # 用于更新模型参数的优化器(Optimizer)
clip_grad=None) # 如果 'clip_grad' 不是None，它将是 ' torch.nn.utils.clip_grad' 的参数。
# 学习策略
param_scheduler = [
dict(
type='PolyLR', # 调度流程的策略，同样支持 Step, CosineAnnealing, Cyclic 等. 请从 https://github.com/open-mmlab/mmengine/blob/main/mmengine/optim/scheduler/lr_scheduler.py 参考 LrUpdater 的细节
eta_min=1e-4, # 训练结束时的最小学习率
power=0.9, # 多项式衰减 (polynomial decay) 的幂
begin=0, # 开始更新参数的时间步(step)
end=40000, # 停止更新参数的时间步(step)
by_epoch=False) # 是否按照 epoch 计算训练时间
]
# 40k iteration 的训练计划
train_cfg = dict(type='IterBasedTrainLoop', max_iters=40000, val_interval=4000)
val_cfg = dict(type='ValLoop')
test_cfg = dict(type='TestLoop')
# 默认钩子(hook)配置
default_hooks = dict(
timer=dict(type='IterTimerHook'), # 记录迭代过程中花费的时间
logger=dict(type='LoggerHook', interval=50, log_metric_by_epoch=False), # 从'Runner'的不同组件收集和写入日志
param_scheduler=dict(type='ParamSchedulerHook'), # 更新优化器中的一些超参数，例如学习率
checkpoint=dict(type='CheckpointHook', by_epoch=False, interval=4000), # 定期保存检查点(checkpoint)
sampler_seed=dict(type='DistSamplerSeedHook')) # 用于分布式训练的数据加载采样器in _base_/default_runtime.py
# 将注册表的默认范围设置为mmseg
default_scope = 'mmseg'
# environment
env_cfg = dict(
cudnn_benchmark=True,
mp_cfg=dict(mp_start_method='fork', opencv_num_threads=0),
dist_cfg=dict(backend='nccl'),
)
log_level = 'INFO'
log_processor = dict(by_epoch=False)
load_from = None # 从文件中加载检查点(checkpoint)
resume = False # 是否从已有的模型恢复这些都是用于训练和测试PSPNet的配置文件，要加载和解析它们，我们可以使用MMEngine实现的Config。
from mmengine.config import Config
cfg = Config.fromfile('configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py')
print(cfg.train_dataloader){'batch_size': 2,
'num_workers': 2,
'persistent_workers': True,
'sampler': {'type': 'InfiniteSampler', 'shuffle': True},
'dataset': {'type': 'CityscapesDataset',
'data_root': 'data/cityscapes/',
'data_prefix': {'img_path': 'leftImg8bit/train',
'seg_map_path': 'gtFine/train'},
'pipeline': [{'type': 'LoadImageFromFile'},
{'type': 'LoadAnnotations'},
{'type': 'RandomResize',
'scale': (2048, 1024),
'ratio_range': (0.5, 2.0),
'keep_ratio': True},
{'type': 'RandomCrop', 'crop_size': (512, 1024), 'cat_max_ratio': 0.75},
{'type': 'RandomFlip', 'prob': 0.5},
{'type': 'PhotoMetricDistortion'},
{'type': 'PackSegInputs'}]}}cfg 是mmengine.config.Config 的一个实例。它的接口与dict对象相同，也允许将配置值作为属性访问。更多信息请参见MMEngine中的config tutorial。
有时，您可以设置_delete_=True 来忽略基本配置文件中的某些字段。您可以参考MMEngine中的config tutorial来获得一些简单的指导。
例如，在MMSegmentation中，如果您想在下面的配置文件pspnet.py 中修改PSPNet的主干网络:
norm_cfg = dict(type='SyncBN', requires_grad=True)
model = dict(
type='EncoderDecoder',
pretrained='torchvision://resnet50',
backbone=dict(
type='ResNetV1c',
depth=50,
num_stages=4,
out_indices=(0, 1, 2, 3),
dilations=(1, 1, 2, 4),
strides=(1, 2, 1, 1),
norm_cfg=norm_cfg,
norm_eval=False,
style='pytorch',
contract_dilation=True),
decode_head=dict(
type='PSPHead',
in_channels=2048,
in_index=3,
channels=512,
pool_scales=(1, 2, 3, 6),
dropout_ratio=0.1,
num_classes=19,
norm_cfg=norm_cfg,
align_corners=False,
loss_decode=dict(
type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0)))用以下代码加载并解析配置文件pspnet.py:
from mmengine.config import Config
cfg = Config.fromfile('pspnet.py')
print(cfg.model){'type': 'EncoderDecoder',
'pretrained': 'torchvision://resnet50',
'backbone': {'type': 'ResNetV1c',
'depth': 50,
'num_stages': 4,
'out_indices': (0, 1, 2, 3),
'dilations': (1, 1, 2, 4),
'strides': (1, 2, 1, 1),
'norm_cfg': {'type': 'SyncBN', 'requires_grad': True},
'norm_eval': False,
'style': 'pytorch',
'contract_dilation': True},
'decode_head': {'type': 'PSPHead',
'in_channels': 2048,
'in_index': 3,
'channels': 512,
'pool_scales': (1, 2, 3, 6),
'dropout_ratio': 0.1,
'num_classes': 19,
'norm_cfg': {'type': 'SyncBN', 'requires_grad': True},
'align_corners': False,
'loss_decode': {'type': 'CrossEntropyLoss',
'use_sigmoid': False,
'loss_weight': 1.0}}}ResNet和HRNet使用不同的关键字构建，编写一个新的配置文件hrnet.py，如下所示:
_base_ = 'pspnet.py'
norm_cfg = dict(type='SyncBN', requires_grad=True)
model = dict(
pretrained='open-mmlab://msra/hrnetv2_w32',
backbone=dict(
_delete_=True,
type='HRNet',
norm_cfg=norm_cfg,
extra=dict(
stage1=dict(
num_modules=1,
num_branches=1,
block='BOTTLENECK',
num_blocks=(4, ),
num_channels=(64, )),
stage2=dict(
num_modules=1,
num_branches=2,
block='BASIC',
num_blocks=(4, 4),
num_channels=(32, 64)),
stage3=dict(
num_modules=4,
num_branches=3,
block='BASIC',
num_blocks=(4, 4, 4),
num_channels=(32, 64, 128)),
stage4=dict(
num_modules=3,
num_branches=4,
block='BASIC',
num_blocks=(4, 4, 4, 4),
num_channels=(32, 64, 128, 256)))))用以下代码加载并解析配置文件hrnet.py:
from mmengine.config import Config
cfg = Config.fromfile('hrnet.py')
print(cfg.model){'type': 'EncoderDecoder',
'pretrained': 'open-mmlab://msra/hrnetv2_w32',
'backbone': {'type': 'HRNet',
'norm_cfg': {'type': 'SyncBN', 'requires_grad': True},
'extra': {'stage1': {'num_modules': 1,
'num_branches': 1,
'block': 'BOTTLENECK',
'num_blocks': (4,),
'num_channels': (64,)},
'stage2': {'num_modules': 1,
'num_branches': 2,
'block': 'BASIC',
'num_blocks': (4, 4),
'num_channels': (32, 64)},
'stage3': {'num_modules': 4,
'num_branches': 3,
'block': 'BASIC',
'num_blocks': (4, 4, 4),
'num_channels': (32, 64, 128)},
'stage4': {'num_modules': 3,
'num_branches': 4,
'block': 'BASIC',
'num_blocks': (4, 4, 4, 4),
'num_channels': (32, 64, 128, 256)}}},
'decode_head': {'type': 'PSPHead',
'in_channels': 2048,
'in_index': 3,
'channels': 512,
'pool_scales': (1, 2, 3, 6),
'dropout_ratio': 0.1,
'num_classes': 19,
'norm_cfg': {'type': 'SyncBN', 'requires_grad': True},
'align_corners': False,
'loss_decode': {'type': 'CrossEntropyLoss',
'use_sigmoid': False,
'loss_weight': 1.0}}}_delete_=True 将用新的键去替换 backbone 字段内所有旧的键。
配置文件中会使用一些中间变量，例如数据集(datasets)字段里的 train_pipeline/test_pipeline。 需要注意的是，在子配置文件里修改中间变量时，您需要再次传递这些变量给对应的字段。例如，我们想改变在训练或测试PSPNet时采用的多尺度策略 (multi scale strategy)，train_pipeline/test_pipeline 是我们需要修改的中间变量。
_base_ = '../pspnet/pspnet_r50-d8_4xb4-40k_cityscpaes-512x1024.py'
crop_size = (512, 1024)
img_norm_cfg = dict(
mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
dict(type='LoadImageFromFile'),
dict(type='LoadAnnotations'),
dict(type='RandomResize',
img_scale=(2048, 1024),
ratio_range=(1., 2.),
keep_ration=True),
dict(type='RandomCrop', crop_size=crop_size, cat_max_ratio=0.75),
dict(type='RandomFlip', flip_ratio=0.5),
dict(type='PhotoMetricDistortion'),
dict(type='PackSegInputs'),
]
test_pipeline = [
dict(type='LoadImageFromFile'),
dict(type='Resize',
scale=(2048, 1024),
keep_ratio=True),
dict(type='LoadAnnotations'),
dict(type='PackSegInputs')
]
train_dataset=dict(
type=dataset_type,
data_root=data_root,
data_prefix=dict(
img_path='leftImg8bit/train', seg_map_path='gtFine/train'),
pipeline=train_pipeline)
test_dataset=dict(
type=dataset_type,
data_root=data_root,
data_prefix=dict(
img_path='leftImg8bit/val', seg_map_path='gtFine/val'),
pipeline=test_pipeline)
train_dataloader = dict(dataset=train_dataset)
val_dataloader = dict(dataset=test_dataset)
test_dataloader = val_dataloader我们首先需要定义新的 train_pipeline/test_pipeline 然后传递到 dataset 里。
类似的，如果我们想从 SyncBN 切换到 BN 或者 MMSyncBN，我们需要替换配置文件里的每一个 norm_cfg。
_base_ = '../pspnet/pspnet_r50-d8_4xb4-40k_cityscpaes-512x1024.py'
norm_cfg = dict(type='BN', requires_grad=True)
model = dict(
backbone=dict(norm_cfg=norm_cfg),
decode_head=dict(norm_cfg=norm_cfg),
auxiliary_head=dict(norm_cfg=norm_cfg))在training script和testing script中，我们支持脚本参数 --cfg-options，它可以帮助用户覆盖所使用的配置中的一些设置，xxx=yyy 格式的键值对将合并到配置文件中。
例如，这是一个简化的脚本 demo_script.py :
import argparse
from mmengine.config import Config, DictAction
def parse_args():
parser = argparse.ArgumentParser(description='Script Example')
parser.add_argument('config', help='train config file path')
parser.add_argument(
'--cfg-options',
nargs='+',
action=DictAction,
help='override some settings in the used config, the key-value pair '
'in xxx=yyy format will be merged into config file. If the value to '
'be overwritten is a list, it should be like key="[a,b]" or key=a,b '
'It also allows nested list/tuple values, e.g. key="[(a,b),(c,d)]" '
'Note that the quotation marks are necessary and that no white space '
'is allowed.')
args = parser.parse_args()
return args
def main():
args = parse_args()
cfg = Config.fromfile(args.config)
if args.cfg_options is not None:
cfg.merge_from_dict(args.cfg_options)
print(cfg)
if __name__ == '__main__':
main()一个配置文件示例 demo_config.py 如下所示:
backbone = dict(
type='ResNetV1c',
depth=50,
num_stages=4,
out_indices=(0, 1, 2, 3),
dilations=(1, 1, 2, 4),
strides=(1, 2, 1, 1),
norm_eval=False,
style='pytorch',
contract_dilation=True)运行 demo_script.py:
python demo_script.py demo_config.pyConfig (path: demo_config.py): {'backbone': {'type': 'ResNetV1c', 'depth': 50, 'num_stages': 4, 'out_indices': (0, 1, 2, 3), 'dilations': (1, 1, 2, 4), 'strides': (1, 2, 1, 1), 'norm_eval': False, 'style': 'pytorch', 'contract_dilation': True}}通过脚本参数修改配置:
python demo_script.py demo_config.py --cfg-options backbone.depth=101Config (path: demo_config.py): {'backbone': {'type': 'ResNetV1c', 'depth': 101, 'num_stages': 4, 'out_indices': (0, 1, 2, 3), 'dilations': (1, 1, 2, 4), 'strides': (1, 2, 1, 1), 'norm_eval': False, 'style': 'pytorch', 'contract_dilation': True}}-
更新列表/元组的值。
如果要更新的值是一个 list 或 tuple。例如，需要在配置文件
demo_config.py的backbone中设置stride =(1,2,1,1)。 如果您想更改这个键，你可以用两种方式进行指定:-
--cfg-options backbone.strides="(1, 1, 1, 1)". 注意引号 " 是支持 list/tuple 数据类型所必需的。python demo_script.py demo_config.py --cfg-options backbone.strides="(1, 1, 1, 1)"Config (path: demo_config.py): {'backbone': {'type': 'ResNetV1c', 'depth': 50, 'num_stages': 4, 'out_indices': (0, 1, 2, 3), 'dilations': (1, 1, 2, 4), 'strides': (1, 1, 1, 1), 'norm_eval': False, 'style': 'pytorch', 'contract_dilation': True}} -
--cfg-options backbone.strides=1,1,1,1. 注意，在指定的值中不允许有空格。另外，如果原来的类型是tuple，通过这种方式修改后会自动转换为list。
python demo_script.py demo_config.py --cfg-options backbone.strides=1,1,1,1
Config (path: demo_config.py): {'backbone': {'type': 'ResNetV1c', 'depth': 50, 'num_stages': 4, 'out_indices': (0, 1, 2, 3), 'dilations': (1, 1, 2, 4), 'strides': [1, 1, 1, 1], 'norm_eval': False, 'style': 'pytorch', 'contract_dilation': True}}
-
这种修改方法仅支持修改string、int、float、boolean、None、list和tuple类型的配置项。
具体来说，对于list和tuple类型的配置项，它们内部的元素也必须是上述七种类型之一。