训练与验证管线
在训练与验证过程中，我们需要对数据进行预处理、特征工程、模型训练、模型评估等一系列操作。为了方便用户进行这些操作，我们提供了一套完整的训练与验证管线，用户可以通过简单的配置来完成整个训练与验证过程。
TIP
在训练流程中，数据集和数据加载器是核心组件，SSCMA 基于 MMEngine，因此这方面与 PyTorch 中的概念相同。数据集负责定义数据量、读取和预处理方式，而数据加载器则负责按批次大小、随机乱序和并行等设置迭代加载数据，形成数据源。更多请参考 PyTorch 数据加载。
在 MMEngine 的执行器（Runner）中，你可以通过设置三个特定的参数来指定数据加载器，以便在不同的训练阶段使用：
- train_dataloader：此参数在执行器的 Runner.train() 方法中调用，负责向模型提供训练所需的数据。
- val_dataloader：此参数在执行器的 Runner.val() 方法中使用，并且会在 Runner.train() 方法的特定训练周期中被调用，用于对模型进行性能验证和评估。
- test_dataloader：此参数在执行器的 Runner.test() 方法中使用，用于对模型进行最终的测试。
MMEngine 兼容 PyTorch 的原生 DataLoader，这意味着你可以直接将已经创建的 DataLoader 实例传递给上述三个参数。
训练 Pipeline 配置通常包含以下几个步骤：
- 加载图像：定义从文件中读取图像的方式，包括解码后端和相关参数。
- 加载标注：定义读取图像对应的标注信息的方式，包括是否包含边界框等。
- 数据增强：定义各种数据增强操作，如随机HSV增强、Mosaic增强、随机尺寸调整、随机裁剪、随机翻转、填充和MixUp增强等。
- 数据打包：将处理后的图像和标注信息打包成模型输入格式。
以 RTMDet 为例，我们将在下面的示例中展示如何配置数据加载器。
加载图像
加载图像模块用于从文件中读取图像。
python
dict(
type=LoadImageFromFile, # 加载图像的类型
imdecode_backend="pillow", # 解码后端
backend_args=None, # 后端参数
)加载标注
加载标注模块用于读取图像对应的标注信息。
python
dict(
type=LoadAnnotations, # 加载标注的类型
imdecode_backend="pillow", # 解码后端
with_bbox=True, # 是否包含边界框
)数据增强
数据增强模块用于对图像进行各种增强操作，以提高模型的泛化能力。
python
dict(type=HSVRandomAug), # 随机HSV增强
dict(
type=Mosaic, # Mosaic增强
img_scale=imgsz, # 图像尺寸
pad_val=114.0, # 填充值
),
dict(
type=RandomResize, # 随机尺寸调整
scale=(imgsz[0] * 2, imgsz[1] * 2), # 尺寸范围
ratio_range=(0.1, 2.0), # 比例范围
resize_type=Resize, # 调整类型
keep_ratio=True, # 是否保持比例
),
dict(
type=RandomCrop, # 随机裁剪
crop_size=imgsz, # 裁剪尺寸
),
dict(
type=RandomFlip, # 随机翻转
prob=0.5, # 翻转概率
),
dict(
type=Pad, # 填充
size=imgsz, # 填充尺寸
pad_val=dict(img=(114, 114, 114)), # 填充值
),
dict(
type=MixUp, # MixUp增强
img_scale=imgsz, # 图像尺寸
ratio_range=(1.0, 1.0), # 比例范围
max_cached_images=20, # 最大缓存图像数量
pad_val=114.0, # 填充值
),数据打包
数据打包模块用于将处理后的图像和标注信息打包成模型输入格式。
python
dict(type=PackDetInputs), # 数据打包