基础配置结构

SSCMA 使用的配置文件位于 configs 目录下，用于不同任务下不同模型的训练。我们在其根据不同的任务分类划分了子文件夹，在各个子文件夹中，保存有多个模型的不同训练管线参数。

TIP

其中名为 _base_ 的任务文件夹是我们其他任务的继承对象，关于配置文件继承的详细说明，请参考 MMEngine - 配置文件的继承。

我们使用 Python 的字典和列表来定义模型、数据加载、训练和评估等各个部分的参数。以下是该配置文件的结构和各个部分的作用，以及一般需要调整的参数。

导入模块

在开始构建你的配置文件之前，首先需要导入必要的模块，如下所示：

import torch.nn as nn
from mmengine.registry import OPTIMIZERS

模型配置

• num_classes：类别数量，对于口罩检测，通常是 2（戴口罩和不戴口罩）。
• widen_factor：模型宽度因子，用于调整模型的宽度。

数据配置

• dataset_type：指定数据集类型。
• data_root：数据集的根目录。
• train_ann、train_data、val_ann、val_data：训练和验证数据的注释文件和数据目录。
• height、width、imgsz：输入图像的尺寸。

训练配置

• batch、workers、persistent_workers：训练时的批处理大小、工作线程数和持久工作线程。
• val_batch、val_workers：验证时的批处理大小和工作线程数。
• lr、epochs、weight_decay、momentum：学习率、训练周期、权重衰减和动量。

钩子

• default_hooks：定义了训练过程中的钩子，如可视化钩子。
• visualizer：定义了可视化器。

数据预处理

• data_preprocessor：定义了数据预处理的参数，如均值、标准差、颜色转换等。

模型结构

定义了模型的类型、数据预处理器、骨干网络和头部网络的配置。

部署配置

• deploy：定义了模型部署时的数据预处理器配置。

图像解码后端

• imdecode_backend：指定图像解码的后端。

预处理流水线

• pre_transform、train_pipeline、test_pipeline：定义了训练和测试数据的预处理流水线。

数据加载器

• train_dataloader、val_dataloader、test_dataloader：定义了训练、验证和测试数据加载器的配置。

优化器配置

• optim_wrapper：定义了优化器的类型和参数。

评估器

• val_evaluator、test_evaluator：定义了验证和测试的评估器。

训练配置

• train_cfg：定义了训练的配置，如是否按周期训练和最大周期数。

学习策略

• param_scheduler：定义了学习率调度器的策略。

配置文件涵盖了从数据预处理到模型训练和评估的各个方面。根据具体的训练需求，可能需要调整的参数包括学习率、批次大小、训练周期、优化器参数、数据增强策略等。这些参数的调整将直接影响模型的性能和训练效果。