Skip to main content
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。
  • Command Line
  • Notebook
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。
  • Command Line
  • Notebook
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。
  1. 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 初期化の入力パラメータ用引数の辞書を init_kwargs に渡します。
  2. 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'
        },
    ),
]
⌘I