Detectron2系列之模型训练

从前面的教程中,你如今已经有了一个自定义的模型和数据加载器。
你能够自由建立本身的优化器,并编写训练逻辑：能够使用PyTorch使研究人员对整个训练逻辑更清晰并具备彻底控制权。tools/plain_train_net.py中提供了一个这样的示例。(tools/plain_train_net.py:https://github.com/facebookresearch/detectron2/blob/master/tools/plain_train_net.py)
咱们还提供了标准化的"trainer"抽象,最小hook系统(https://detectron2.readthedocs.io/modules/engine.html#detectron2.engine.HookBase) ,这有助于简化标准的训练类型。
你能够使用 SimpleTrainer().train() ,它为单次成本、单优化器、单数据源的训练提供了最小的抽象。内置train_net.py脚本使用 DefaultTrainer().train(),它包含一我的们可能但愿选择的更多标准默认行为，这也意味着它不太可能支持你在研究过程当中可能想要的一些非标准行为。

• SimpleTrainer().train():https://detectron2.readthedocs.io/modules/engine.html#detectron2.engine.SimpleTrainer
• DefaultTrainer().train()https://detectron2.readthedocs.io/modules/engine.html#detectron2.engine.defaults.DefaultTrainer
  要自定义训练循环,你能够从tools/plain_train_net.py开始,或查看DefaultTrainer的源代码,并用新参数或新hook覆盖其某些行为。
  指标记录
  在训练过程当中,将使用集中式EventStorage记录指标。你能够使用如下代码对其进行访问并记录指标：(EventStorage:https://detectron2.readthedocs.io/modules/utils.html#detectron2.utils.events.EventStorage)

from detectron2.utils.events import get_event_storage# 在模型中：if self.training:  value = #根据输入计算值  storage = get_event_storage()  storage.put_scalar("some_accuracy", value)

有关更多详细信息,请参阅其文档。
原文连接：https://detectron2.readthedocs.io/tutorials/training.html