学习更多与配置相关的事¶
我们用 python 文档作为我们的配置系统。你可以在 MMDetection/configs 底下找到所有已提供的配置文件。
我们把模块化和继承化设计融入我们的配置系统，这使我们很方便去进行各种实验。如果你想查看相关的配置文件，你可以跑 python tools/misc/print_config.py /PATH/TO/CONFIG 去看完整的详细配置。
完整配置的简要说明¶
一个完整的配置通常包含以下主要的字段：
model：一个模型的基本配置，包含 data_preprocessor、detector、motion 之类的模块，还有 train_cfg、test_cfg 等等；
train_dataloader：训练数据集的配置，通常包含 batch_size、 num_workers、 sampler、 dataset 等等；
val_dataloader：验证数据集的配置，与训练数据集的配置类似；
test_dataloader：测试数据集的配置，与训练数据集的配置类似；
val_evaluator：验证评估器的配置，例如 type='MOTChallengeMetrics' 是 MOT 任务里面的测量标准；
test_evaluator：测试评估器的配置，与验证评估器的配置类似；
train_cfg：训练循环的配置，例如 type='EpochBasedTrainLoop' ；
val_cfg：验证循环的配置，例如 type='VideoValLoop' ；
test_cfg：测试循环的配置，例如 type='VideoTestLoop' ；
default_hooks：默认鱼钩的配置，包含计时器、日志、参数调度程序、检查点、样本种子、可视化；
vis_backends：可视化后端的配置，默认使用 type='LocalVisBackend' ；
visualizer：可视化工具的配置，例如MOT任务使用 type='TrackLocalVisualizer' ；
param_scheduler：参数调度程序的配置，通常里面设置学习率调度程序；
optim_wrapper：优化器封装的配置，包含优化相关的信息，例如优化器、梯度剪裁等；
load_from：加载预训练模型的路径；
resume：布尔值，如果是 True ，会从 load_from 加载模型的检查点，训练会恢复至检查点的迭代次数。
通过脚本参数修改配置¶
当使用 tools/train.py 或 tools/test_trackin.py 执行任务时，可以指定 --cfg-options 来就地修改配置。我们举几个例子如下。有关更多详细信息，请参阅MMEngine。
更新 dict 链的配置键¶
可以按照原始配置中 dict 键的顺序指定配置选项，例如，设置 --cfg-options model.detector.backbone.norm_eval=False 会将模型主干中的所有 BN 模块更改为训练模式。
更新配置列表中的关键字¶
一些配置的 dict 关键字会以列表的形式组成，例如，测试管道中的 test_dataloader.dataset.pipeline 以列表形式出现，即 [dict(type='LoadImageFromFile'), ...]。如果你想在测试管道中将 LoadImageFromFile 更改为 LoadImageFromWebcam，可以设置 --cfg-options test_dataloader.dataset.pipeline.0.type=LoadImageFromWebcam。
更新列表/元组的值¶
要被更新的可能是一个列表或一个元组，例如，你可以通过指定 --cfg options model.data_processor.mean=[0,0,0] 来更改 data_preprocessor 的平均值的关键字。请注意，指定值内不允许有空格。
配置文件结构¶
config/_base_ 下有三种基本组件类型，即数据集、模型和默认运行时间。可以用它们来轻松构建许多方法，例如 SORT，DeepSORT。由 _base_ 中的组件组成的配置称为基元。
对于同一文件夹下的配置文件，建议只有一个基元配置文件。其他配置文件都应该从基元配置文件继承基本结构，这样，继承级别的最大值为 3。
为了便于理解，我们建议贡献者继承现有的方法。例如，如果在 Faster R-CNN 的基础上进行了一些修改，用户可以首先通过指定 _base_ = ../_base_/models/faster-rcnn_r50-dc5.py 来继承基本的 Faster R-CNN 结构，然后修改配置文件中的必要字段。
如果你正在构建一个与任何现有方法都不共享结构的全新方法，则可以在 configs 下创建一个新文件夹 method_name。
有关详细文档，请参阅MMEngine。
配置命名风格¶
我们根据以下风格去命名配置文件，建议贡献者遵从相同风格。
{method}_{module}_{train_cfg}_{train_data}_{test_data}
{method}: 方法名称，例如 sort；
{module}: 方法的基本模块，例如 faster-rcnn_r50_fpn；
{train_cfg}: 训练配置通常包含批量大小、迭代次数等，例如 8xb4-80e；
{train_data}: 训练数据集，例如 mot17halftrain；
{test_data}: 测试数据集，例如 test-mot17halfval。
常问问题¶
跟踪数据结构介绍¶
优点和新功能¶
在 mmdetection 跟踪任务中，我们使用视频来组织数据集，并使用 TrackDataSample 来描述数据集信息。
基于视频组织，我们提供了 transform UniformRefFrameSample 来对关键帧和参考帧进行采样，并使用 TransformBroadcaster 进行剪辑训练。
在某种程度上，TrackDataSample 可以被视为多个 DetDataSample 的包装器。它包含一个 video_data_samples，这是一个以 DetDataSample 组成的列表，里面每个 DetDataSample 对应一个帧。此外，它的元信息包括关键帧的索引和参考帧的索引，用与剪辑训练。
得益于基于视频的数据组织，整个视频可以直接被测试。这种方式更简洁直观。如果你的 GPU 内存无法容纳整个视频，我们还提供基于图像的测试方法。
要做的事¶
StrongSORT、Mask2Former 等算法不支持基于视频的测试，这些算法对 GPU 内存提出了挑战，我们将来会优化这个问题。
现在，我们不支持像 MOT Challenge dataset 这样的基于视频的数据集和像 Crowdhuman 用于 QDTrack 算法这样的基于图像的数据集进行联合训练。我们将来会优化这个问题。