学习训练和测试⚓︎
训练⚓︎
本节将介绍如何在支持的数据集上训练现有模型。 支持以下训练环境：
- CPU
- 单 GPU
- 单节点多 GPU
- 多节点
您还可以使用 Slurm 管理作业。
重要：
- 在训练过程中，您可以通过修改
train_cfg来改变评估间隔。train_cfg = dict(val_interval=10)。这意味着每 10 个 epoch 对模型进行一次评估。 - 所有配置文件中的默认学习率为 8 个 GPU。
根据线性扩展规则、
如果在每个 GPU 上使用不同的 GPU 或图像，则需要设置与批次大小成比例的学习率、
例如，8 个 GPU * 1 个图像/GPU 的学习率为
lr=0.01，16 个 GPU * 2 个图像/GPU 的学习率为 lr=0.04。 - 在训练过程中，日志文件和检查点将保存到工作目录、
该目录由 CLI 参数
--work-dir指定。它默认使用./work_dirs/CONFIG_NAME。 - 如果需要混合精度训练，只需指定 CLI 参数
--amp。
1.在 CPU 上训练⚓︎
该模型默认放在 cuda 设备上。
仅当没有 cuda 设备时，该模型才会放在 CPU 上。
因此，如果要在 CPU 上训练模型，则需要先 export CUDA_VISIBLE_DEVICES=-1 以禁用 GPU 可见性。
更多细节参见 MMEngine.
```shell 脚本 CUDA_VISIBLE_DEVICES=-1 python tools/train.py ${CONFIG_FILE} [optional arguments]
在 CPU 上训练 MOT 模型 QDTrack 的示例：
```shell 脚本
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/qdtrack/qdtrack_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py
2. 在单 GPU 上训练⚓︎
如果您想在单 GPU 上训练模型, 您可以按照如下方法直接使用 tools/train.py.
```shell 脚本 python tools/train.py ${CONFIG_FILE} [optional arguments]
您可以使用 `export CUDA_VISIBLE_DEVICES=$GPU_ID` 命令选择GPU.
在单 GPU 上训练 MOT 模型 QDTrack 的示例：
```shell 脚本
CUDA_VISIBLE_DEVICES=2 python tools/train.py configs/qdtrack/qdtrack_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py
3. 在单节点多 GPU 上进行训练⚓︎
我们提供了 tools/dist_train.sh，用于在多个 GPU 上启动训练。
基本用法如下。
```shell 脚本 bash ./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]
如果您想在一台机器上启动多个作业、
例如，在拥有 8 个 GPU 的机器上启动 2 个 4-GPU 训练作业、
需要为每个作业指定不同的端口（默认为 29500），以避免通信冲突。
例如，可以在命令中设置端口如下。
```shell 脚本
CUDA_VISIBLE_DEVICES=0,1,2,3 PORT=29500 ./tools/dist_train.sh ${CONFIG_FILE} 4
CUDA_VISIBLE_DEVICES=4,5,6,7 PORT=29501 ./tools/dist_train.sh ${CONFIG_FILE} 4
在单节点多 GPU 上训练 MOT 模型 QDTrack 的示例：
bash ./tools/dist_train.sh configs/qdtrack/qdtrack_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py 8
4. 在多个节点上训练⚓︎
如果使用以太网连接多台机器，只需运行以下命令即可：
在第一台机器上
```shell 脚本 NNODES=2 NODE_RANK=0 PORT=\(MASTER_PORT MASTER_ADDR=\)MASTER_ADDR bash tools/dist_train.sh $CONFIG $GPUS
在第二台机器上:
```shell script
NNODES=2 NODE_RANK=1 PORT=$MASTER_PORT MASTER_ADDR=$MASTER_ADDR bash tools/dist_train.sh $CONFIG $GPUS
如果没有 InfiniBand 等高速网络，速度通常会很慢。
5. 使用 Slurm 进行训练⚓︎
Slurm是一个用于计算集群的优秀作业调度系统。
在 Slurm 管理的集群上，您可以使用 slurm_train.sh 生成训练作业。
它支持单节点和多节点训练。
基本用法如下。
```shell 脚本 bash ./tools/slurm_train.sh ${PARTITION} ${JOB_NAME} ${CONFIG_FILE} ${WORK_DIR} ${GPUS}
使用 Slurm 训练 MOT 模型 QDTrack 的示例：
```shell脚本
PORT=29501 \
GPUS_PER_NODE=8 \
SRUN_ARGS="--quotatype=reserved" \
bash ./tools/slurm_train.sh \
mypartition \
mottrack
configs/qdtrack/qdtrack_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py
./work_dirs/QDTrack \
8
测试⚓︎
本节将介绍如何在支持的数据集上测试现有模型。 支持以下测试环境：
- CPU
- 单 GPU
- 单节点多 GPU
- 多节点
您还可以使用 Slurm 管理作业。
重要：
- 在 MOT 中，某些算法（如
DeepSORT、SORT、StrongSORT）需要分别加载reid的权重和detector的权重。 其他算法，如ByteTrack、OCSORT和QDTrack则不需要。因此，我们提供了--checkpoint、--detector和--reid来加载权重。 - 我们提供了两种评估和测试模型的方法，即基于视频的测试和基于图像的测试。 有些算法如
StrongSORT,Mask2former只支持基于视频的测试. 如果您的 GPU 内存无法容纳整个视频，您可以通过设置采样器类型来切换测试方式。 例如 基于视频的测试：sampler=dict(type='DefaultSampler', shuffle=False, round_up=False)基于图像的测试：sampler=dict（type='TrackImgSampler'） - 您可以通过修改 evaluator 中的关键字
outfile_prefix来设置结果保存路径。 例如，val_evaluator = dict(outfile_prefix='results/sort_mot17')。 否则，将创建一个临时文件，并在评估后删除。 - 如果您只想要格式化的结果而不需要评估，可以设置
format_only=True。 例如，test_evaluator = dict(type='MOTChallengeMetric', metric=['HOTA', 'CLEAR', 'Identity'], outfile_prefix='sort_mot17_results', format_only=True)
1. 在 CPU 上测试⚓︎
模型默认在 cuda 设备上运行。
只有在没有 cuda 设备的情况下，模型才会在 CPU 上运行。
因此，如果要在 CPU 上测试模型，您需要 export CUDA_VISIBLE_DEVICES=-1 先禁用 GPU 可见性。
更多细节请参考MMEngine.
```shell 脚本 CUDA_VISIBLE_DEVICES=-1 python tools/test_tracking.py ${CONFIG_FILE} [optional arguments]
在 CPU 上测试 MOT 模型 SORT 的示例：
```shell 脚本
CUDA_VISIBLE_DEVICES=-1 python tools/test_tracking.py configs/sort/sort_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py --detector ${CHECKPOINT_FILE}
2. 在单 GPU 上测试⚓︎
如果您想在单 GPU 上测试模型，可以直接使用 tools/test_tracking.py，如下所示。
```shell 脚本 python tools/test_tracking.py ${CONFIG_FILE} [optional arguments]
您可以使用 `export CUDA_VISIBLE_DEVICES=$GPU_ID` 来选择 GPU。
在单 GPU 上测试 MOT 模型 QDTrack 的示例：
```shell 脚本
CUDA_VISIBLE_DEVICES=2 python tools/test_tracking.py configs/qdtrack/qdtrack_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py --detector ${CHECKPOINT_FILE}
3. 在单节点多 GPU 上进行测试⚓︎
我们提供了 tools/dist_test_tracking.sh，用于在多个 GPU 上启动测试。
基本用法如下。
```shell 脚本 bash ./tools/dist_test_tracking.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]
在单节点多 GPU 上测试 MOT 模型 DeepSort 的示例：
```shell 脚本
bash ./tools/dist_test_tracking.sh configs/qdtrack/qdtrack_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py 8 --detector ${CHECKPOINT_FILE} --reid ${CHECKPOINT_FILE}
4. 在多个节点上测试⚓︎
您可以在多个节点上进行测试，这与 "在多个节点上进行训练 "类似。
5. 使用 Slurm 进行测试⚓︎
在 Slurm 管理的集群上，您可以使用 slurm_test_tracking.sh 生成测试作业。
它支持单节点和多节点测试。
基本用法如下。
```shell 脚本 [GPUS=${GPUS}] bash tools/slurm_test_tracking.sh ${PARTITION} ${JOB_NAME} ${CONFIG_FILE} [optional arguments]
使用 Slurm 测试 VIS 模型 Mask2former 的示例：
```shell 脚本
GPUS=8
bash tools/slurm_test_tracking.sh \
mypartition \
vis \
configs/mask2former_vis/mask2former_r50_8xb2-8e_youtubevis2021.py \
--checkpoint ${CHECKPOINT_FILE}
创建日期: November 27, 2023