MMEngine
less than a minute
MMEngine by OpenMMLab は、PyTorch に基づくディープラーニングモデルのトレーニングのための基盤ライブラリです。MMEngine は OpenMMLab のアルゴリズムライブラリ用の次世代のトレーニングアーキテクチャーを実装し、OpenMMLab 内の30以上のアルゴリズムライブラリに対して統一された実行基盤を提供します。そのコアコンポーネントには、トレーニングエンジン、評価エンジン、モジュール管理が含まれます。
Weights and Biases は、専用のWandbVisBackend
を通じて MMEngine に直接統合されています。これを使用して
- トレーニングおよび評価メトリクスをログする。
- 実験設定をログおよび管理する。
- グラフ、画像、スカラーなどの追加記録をログする。
はじめに
openmim
および wandb
をインストールします。
pip install -q -U openmim wandb
!pip install -q -U openmim wandb
次に、mim
を使用して mmengine
および mmcv
をインストールします。
mim install -q mmengine mmcv
!mim install -q mmengine mmcv
WandbVisBackend
を MMEngine Runner で使用する
このセクションでは、mmengine.runner.Runner
を使用した WandbVisBackend
の典型的なワークフローを示します。
-
可視化設定から
visualizer
を定義します。from mmengine.visualization import Visualizer # 可視化の設定を定義する visualization_cfg = dict( name="wandb_visualizer", vis_backends=[ dict( type='WandbVisBackend', init_kwargs=dict(project="mmengine"), ) ], save_dir="runs/wandb" ) # 可視化設定から visualizer を取得する visualizer = Visualizer.get_instance(**visualization_cfg)
[W&B run 初期化](/ja/ref/python/init/)の入力パラメータ用引数の辞書を `init_kwargs` に渡します。
-
visualizer
とともにrunner
を初期化し、runner.train()
を呼び出します。from mmengine.runner import Runner # PyTorch のトレーニングヘルパーである mmengine Runner を構築する runner = Runner( model, work_dir='runs/gan/', train_dataloader=train_dataloader, train_cfg=train_cfg, optim_wrapper=opt_wrapper_dict, visualizer=visualizer, # visualizer を渡す ) # トレーニングを開始する runner.train()
WandbVisBackend
を OpenMMLab コンピュータビジョンライブラリで使用するWandbVisBackend
は、MMDetection のような OpenMMLab コンピュータビジョンライブラリを使って実験管理を追跡するためにも簡単に使用できます。# デフォルトのランタイム設定から基本設定を継承する _base_ = ["../_base_/default_runtime.py"] # base configs から `visualizer` の `vis_backends` に # `WandbVisBackend` の設定辞書を割り当てる _base_.visualizer.vis_backends = [ dict( type='WandbVisBackend', init_kwargs={ 'project': 'mmdet', 'entity': 'geekyrakshit' }, ), ]
フィードバック
このページは役に立ちましたか?
Glad to hear it! If you have further feedback, please let us know.
Sorry to hear that. Please tell us how we can improve.
-