【实验】ConvNeXt+UperNet

我的需求：复现convnext网络模型（convnext+upernet），部署到自己的框架代码中，用于语义分割任务（vaihingen数据集）。

前提：根据mmsegmentation框架中的手册安装mmseg、mmcv等库。

1. 进入convnext源码网站：https://github.com/facebookresearch/ConvNeXt
   
2. 进入semantic_segmantation/文件下
3. convnext代码在backbone/convnext.py中，
   其中需要修改的地方：
   （1）我的代码中from mmcv_custom import load_checkpoint总是报错mmcv_custom模块找不到，因此将此段代码注释掉，换成from mmcv.runner import _load_checkpoint，这里是参考了mmsegmentation中poolformer代码的处理方法。
   （2）修改代码中使用了load_checkpoint的部分（在ConvNeXt类中）

    def init_weights(self, pretrained=None):
        """Initialize the weights in backbone.
        Args:
            pretrained (str, optional): Path to pre-trained weights.
                Defaults to None.
        """

        def _init_weights(m):
            if isinstance(m, nn.Linear):
                trunc_normal_(m.weight, std=.02)
                if isinstance(m, nn.Linear) and m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.LayerNorm):
                nn.init.constant_(m.bias, 0)
                nn.init.constant_(m.weight, 1.0)

        if isinstance(pretrained, str):
            self.apply(_init_weights)
            logger = get_root_logger()
            load_checkpoint(self, pretrained, strict=False, logger=logger)
        elif pretrained is None:
            self.apply(_init_weights)
        else:
            raise TypeError('pretrained must be a str or None')

修改为：

    def init_weights(self, pretrained='这里填预训练权重的路径或链接'):
        """Initialize the weights in backbone.
        Args:
            pretrained (str, optional): Path to pre-trained weights.
                Defaults to None.
        """

        def _init_weights(m):
            if isinstance(m, nn.Linear):
                trunc_normal_(m.weight, std=.02)
                if isinstance(m, nn.Linear) and m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.LayerNorm):
                nn.init.constant_(m.bias, 0)
                nn.init.constant_(m.weight, 1.0)


        if isinstance(pretrained, str):
            self.apply(_init_weights)
            logger = get_root_logger()
            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)

        elif pretrained is None:
            self.apply(_init_weights)
        else:
            raise TypeError('pretrained must be a str or None')

其中，预训练权重在ConvNeXt/semantic_segmentation/文件中的readme.md的表格中，如图：

这里我使用的是tiny类型，因此选第一个，可以点击下载放到项目中，也可以复制其链接（鼠标右击复制链接）
（3）官方代码中使用了self.apply(self._init_weights)调用了_init_weights，这里要修改为self.init_weights()，调用修改后的初始化权重函数。
4. Upernet参考博客中的内容。
5. 按照论文中的一些参数设定对参数进行设置，比如学习率、优化策略等。（参考configs/convnext/upernet_convnext_tiny_512_160k_ade20k_ms.py）

结束。

最后

以上就是优秀小天鹅为你收集整理的【实验】ConvNeXt+UperNet的全部内容，希望文章能够帮你解决【实验】ConvNeXt+UperNet所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。