好久沒有做目標檢測了，最近突然又接到了檢測任務，跟同事討論時，發現自己竟然忘了很多細節，
於是想趁訓練模型的間隙，重新梳理下目標檢測。我選擇了mmdetection來學習，除了目標檢測本身，
這個框架中很多python的使用技巧和框架的設計模式也是值得學習。最近一年基本都在使用python，
希望能將這些技巧應用在以后的工作之中。mmdetection封裝的很好，很方便使用，比如我想訓練的
話只需如下的一條指令。在train.py中，通過build_detector來構建模型（參數來自 faster_rcnn_r50_fpn_1x_voc0712.py），
python tools/train.py configs/pascal_voc/faster_rcnn_r50_fpn_1x_voc0712.py
build_detector的定義如下，最后通過build_from_cfg來構建模型，這里看到了讓人困惑的Registry.
from mmdet.cv_core.utils import Registry, build_from_cfg from torch import nn BACKBONES = Registry('backbone') NECKS = Registry('neck') ROI_EXTRACTORS = Registry('roi_extractor') SHARED_HEADS = Registry('shared_head') HEADS = Registry('head') LOSSES = Registry('loss') DETECTORS = Registry('detector') def build(cfg, registry, default_args=None): """Build a module. Args: cfg (dict, list[dict]): The config of modules, is is either a dict or a list of configs. registry (:obj:`Registry`): A registry the module belongs to. default_args (dict, optional): Default arguments to build the module. Defaults to None. Returns: nn.Module: A built nn module. """
if isinstance(cfg, list): modules = [ build_from_cfg(cfg_, registry, default_args) for cfg_ in cfg ] return nn.Sequential(*modules) else: return build_from_cfg(cfg, registry, default_args) def build_detector(cfg, train_cfg=None, test_cfg=None): """Build detector."""
return build(cfg, DETECTORS, dict(train_cfg=train_cfg, test_cfg=test_cfg))
一、Registry是干什么的
Registry完成了從字符串到類的映射，這樣模型信息、訓練時的參數信息，只需要寫入到一個配置文件里，然后使用注冊器來實例化即可。
二、如何實現
通過裝飾器來實現。在mmcv/mmcv/registry.py中，我們看到了Registry類。其中完成字符串到類的映射，實際上就是下面的成員函數來實現的，核心代碼就一句，將要注冊的類添加到字典里，key為類的名字（字符串）。下面通過一個小例子，
def _register_module(self, module_class, module_name=None, force=False): if not inspect.isclass(module_class): raise TypeError('module must be a class, ' f'but got {type(module_class)}') if module_name is None: module_name = module_class.__name__
if not force and module_name in self._module_dict: raise KeyError(f'{module_name} is already registered ' f'in {self.name}') self._module_dict[module_name] = module_class
來看看它的構建過程。在導入下面這個文件時，首先創建FRUIT實例，接着通過裝飾器（這里是用成員函數裝飾類）來注冊Apple類，調用register_module，然后調用_register（注意：參數cls即為類Apple），最后調用_register_module完成Apple的添加。完成后，FRUIT就有了個字典成員：['Apple']=APPle。在build_from_cfg中，傳入模型參數，即可通過FRUIT構建Apple的實例化對象。
class Registry(): def __init__(self, name): self._name = name self._module_dict = dict() def _register_module(self, module_class, module_name, force): self._module_dict[module_name] = module_class def register_module(self, name=None, force=False, module=None): print('register module ...') def _register(cls): print('cls ', cls) self._register_module( module_class=cls, module_name=name, force=force) return cls return _register FRUIT = Registry('fruit') @FRUIT.register_module() class Apple(): def __init__(self, name): self.name = name
三、Registry在mmdetection中是如何構建模型的
我們來看一下構建模型的流程：
1、在train.py中通過build_detector構建模型，其中cfg.model, cfg.train_cfg如下，包括模型信息和訓練信息。
model = build_detector( cfg.model, train_cfg=cfg.train_cfg, test_cfg=cfg.test_cfg)
2、最關鍵的部分來了。首先通過build_detector構建模型， 其中傳入的DETECTORS是Registry的實例，在該實例中，包含了所有已經實現的檢測器，如圖。那么它是在哪里實現添加這些檢測的類的呢？
def build_detector(cfg, train_cfg=None, test_cfg=None): """Build detector."""
return build(cfg, DETECTORS, dict(train_cfg=train_cfg, test_cfg=test_cfg))
看了前面那個小例子我們就能猜到，一定是在這些檢測類上，用Registry對其進行了注冊，看看faster rcnn的實現，證明了我們的猜想。這樣只要
在定義這些類時，對其進行注冊，那么就會自動加入到DETECTORS這個實例的成員字典里，非常的巧妙。當我們想實例化某個檢測網絡時，傳入其字符名稱
即可。
既然都看到這里了，就進一步看看網絡時如何繼續構建的吧。mmdetection將網絡分成了幾個部分，backbone，head，neck等。在TwoStageDetector（
faster rcnn的基類）中，可以看到分別構建了這幾個部分。head, neck, loss等，同樣是通過Registry來注冊實現的。最后就是將這幾個部分組合起來即可。
@DETECTORS.register_module() class TwoStageDetector(BaseDetector): """Base class for two-stage detectors. Two-stage detectors typically consisting of a region proposal network and a task-specific regression head. """
def __init__(self, backbone, neck=None, rpn_head=None, roi_head=None, train_cfg=None, test_cfg=None, pretrained=None): super(TwoStageDetector, self).__init__() self.backbone = build_backbone(backbone) if neck is not None: self.neck = build_neck(neck) if rpn_head is not None: rpn_train_cfg = train_cfg.rpn if train_cfg is not None else None rpn_head_ = rpn_head.copy() rpn_head_.update(train_cfg=rpn_train_cfg, test_cfg=test_cfg.rpn) self.rpn_head = build_head(rpn_head_) if roi_head is not None: # update train and test cfg here for now
# TODO: refactor assigner & sampler
rcnn_train_cfg = train_cfg.rcnn if train_cfg is not None else None roi_head.update(train_cfg=rcnn_train_cfg) roi_head.update(test_cfg=test_cfg.rcnn) self.roi_head = build_head(roi_head) self.train_cfg = train_cfg self.test_cfg = test_cfg self.init_weights(pretrained=pretrained)
四、Registry的應用
在我最近的一個數據處理的項目中，有三類數據，sample, measure 和image。如果我想得到某個數據類型的實例，我是通過if來
判斷的。那如果數據類別很多呢？就像檢測器這樣有幾十種，再用if就顯得很蠢了。借用Registry機制，可以輕松解決這個問題。