mmdetection使用未定义backbone训练

首先找到你需要用到的 backbone，一般有名的backbone 都会在github有相应的代码开源和预训练权重提供

本文以mobilenetv3 + fastercnn 作为举例，在mmdetection中并未提供 mobilenetv3，提供的仅有 mobilenetv2；

在github上找到 mobilenetv3 实现和权重，下载到本地；本文使用参考为：https://github.com/d-li14/mobilenetv3.pytorch

为了能够用在mmdetection体系中，我们要对代码进行修改，以适应mmdetection 配置式构建网络

增加 init_weigths函数

    def init_weights(self, pretrained=None):
        logger = get_root_logger()
        if self.init_cfg is None and pretrained is None:
            logger.warn(f'No pre-trained weights for '
                        f'{self.__class__.__name__}, '
                        f'training start from scratch')
            pass
        else:
            assert 'checkpoint' in self.init_cfg, f'Only support ' \
                                                  f'specify `Pretrained` in ' \
                                                  f'`init_cfg` in ' \
                                                  f'{self.__class__.__name__} '
            if self.init_cfg is not None:
                ckpt_path = self.init_cfg['checkpoint']
            elif pretrained is not None:
                ckpt_path = pretrained

            ckpt = _load_checkpoint(
                ckpt_path, logger=logger, map_location='cpu')
            if 'state_dict' in ckpt:
                _state_dict = ckpt['state_dict']
            elif 'model' in ckpt:
                _state_dict = ckpt['model']
            else:
                _state_dict = ckpt

            state_dict = _state_dict
            missing_keys, unexpected_keys = \
                self.load_state_dict(state_dict, False)
            logger.info(f"Miss {missing_keys}")
            logger.info(f"Unexpected {unexpected_keys}")

修改 模型参数列表

可以看到上面用到了 self.init_cfg ，但原始模型并没有，因此需要

修改模型参数列表，添加 init_cfg，out_indices，等

并初始化

修改forward 【结合模型特点、网络结构 进行修改，将out_indices 对应的输出取出来】

def forward(self, x):
        outs = []
        # x = self.features(x)
        for i,f in enumerate(self.features):
            x = f(x)
            if i in self.out_indices:
                outs.append(x)
        assert (len(outs) == 4)
        return outs

有些网络的实现并不是直接使用，而是使用配置，来提供不同类型的网络模型，这里就有 small large 两种

由于我们上面的 模型类 修改了参数列表，因此也需要对 这种二次配置的函数 参数列表进行修改 添加 init_cfg,out_indices 等，原有参数尽量保持不变

def mobilenetv3_large(pretrained=False, num_classes = 1000, distillation=False, init_cfg=None, out_indices=[],**kwargs):
    # ...
    cfgs = []
    return MobileNetV3(cfgs, mode='large',init_cfg=init_cfg, out_indices=out_indices,**kwargs)

添加注解

然后，我们要将他们添加到 mmdet 中的 registry 中，

mmdet提供了一种 装饰器的模式 用于将我们自定义的模型 加入到其中

# 导入
from mmdet.models.builder import BACKBONES,MODELS,Necks # 这里定义了mmdetection 的各种组件

# 添加 注解
@BACKBONES.register_module()
def mobilenetv3_large():
    #...

@BACKBONES.register_module()
def mobilenetv3_small():
    #...

这个时候，我们的文件基本修改完成

注意事项

注意这个时候 其实只是配置完成，但在运行时 不会真正加载到 registry 中 ，运行就会发现报错

'mobilenetv3_large is not in the models registry'"

解决方法 就是运行时引入，在train.py 导入这个文件

import mobilenetv3

我在配置时就遇到了这样情况，感谢 https://blog.csdn.net/Kiki_soda/article/details/137491803 提醒

debug

可以看到 我们的模型已经被加载进去

其他方法

官方提供的方法

1. 一种是 修改源码层中的 init 文件，这个也要求你的mobilenet文件也要定义在源码文件中
2. 使用一种 custom_imports 【尝试未成功】

具体参考官方文档 https://mmdetection.readthedocs.io/zh-cn/v2.21.0/tutorials/customize_models.html

配置文件

然后配置文件，根据模型结构合理设置参数

_base_ = [
    './_base_/models/faster_rcnn_r50_fpn.py',
    './_base_/datasets/coco_detection.py',
    './_base_/schedules/schedule_1x.py', './_base_/default_runtime.py'
]

model = dict(
    backbone=dict(
        type='mobilenetv3_large',
        init_cfg=dict(
            type='Pretrained',
            checkpoint='pretrain/mobilenetv3-large-1cd25616.pth', # 预训练权重位置
        ),
        out_indices = [2, 5, 9, 14], # 根据模型来设置
    ),
    neck=dict(
        type='FPN',
        in_channels=[24, 40, 80, 160], # 根据模型来设置 和out_indices 对应
        out_channels=256, # 修改这个会牵动 下面很多配置; 如需修改 其他后续参数也需修改
        num_outs=5))

完成！就可以开始训练了

对于如何设置 out_indices，可以参考 timm 提供的模型 特征输出情况，进而设置

参考：

https://blog.csdn.net/Kiki_soda/article/details/137491803

https://mmdetection.readthedocs.io/zh-cn/v2.21.0/tutorials/customize_models.html

https://www.cnblogs.com/qiulinzhang/p/12252033.html