728x90 [MMEngine] Tutorial - Dataset과 DataLoader - Pytorch의 Dataset과 DataLoader 클래스의 개념에서 기반 DataLoader - DataLoader는 MMEngine의 Runner에 3가지 형태의 인수로 구성됨 - train_dataloader: 모델에 학습 데이터를 제공할기 위해 Runner.train()를 사용 - val_dataloader: 일정한 간격으로 모델 평가를 위해 Runner.train() Runner.val()를 사용 - test_dataloader: 최종 평가때 Runner.test()를 사용 - PyTorch의 DataLoader를 지원. Registry Mechanism of MMEngine 덕분에 dict형태로 인자를 받아들임. - dict형태로 Runner 전달시 lazily built in runner.. 2024. 1. 14. [MMEngine] Tutorial - Runner Runner - MMEngine안의 integrator로 모든 module 및 framework를 책임짐. - Runner's API documentation Simple Example import torch import torch.nn as nn import torch.nn.functional as F from torch.utils.data import Dataset from mmengine.model import BaseModel from mmengine.evaluator import BaseMetric from mmengine.registry import MODELS, DATASETS, METRICS @MODELS.register_module() class MyAwesomeModel(BaseMode.. 2024. 1. 14. [MMEngine] 빠른 Tutorial Model 빌드 - MMEngine내에서 모델은 BaseModel을 상속 받음 - 입력값으로 forward 메서드는 mode라는 인자를 받아야함. - training에서 mode는 loss, forward 메서드는 loss키를 포함한 dict를 반환 - validation에서 mode는 predict, forward 메서드는 예측값과 label들을 반환 import torch.nn.functional as F import torchvision from mmengine.model import BaseModel class MMResNet50(BaseModel): def __init__(self): super().__init__() self.resnet = torchvision.models.resnet50().. 2024. 1. 14. [MMEngine] 환경 설정 1. 가상환경 실행 및 pytorch 설치 - conda 가상환경 실행 conda create -n mmlab python=3.9 conda activate mmlab - pytorch 설치 및 버전 확인 import torch print(f"torch version: {torch.__version__}") print(f"GPU: {torch.cuda.is_avalialble()}") 2. MMEngine 설치 및 확인 - MMEigine 설치 pip install --force-reinstall mmengine - MMEigine 설치 확인 import mmengine print(f"mmengine version: {mmengine.__version__}") 2024. 1. 14. [MMEngine] 개요 MMEngine - Pytorch를 기반으로 하는 deep learning models을 학습하기 위한 라이브러리 - Linux, Windows와 macOS를 지원함 MMEngine의 3가지 특징 1. 범용적이고 강력한 executor - 최소한의 코드로 복잡한 task 학습 가능 - timm, torchvision, detectorn2와 호환 가능 2. 통합된 인터페이스의 공개된 구조 - 통합된 API로 다른 작업에 적용 가능 - 높은 레벨의 추상화를 통해 다양한 장비를 지원(Nvidia CUDA, Mac MPS, AMD, MLU) 3. 학습 과정 Custmize 가능 - 레고 같이 모듈화된 training engine - 다양한 component 제공 - 다양한 level의 API들로 학습 과정 제어.. 2024. 1. 14. 이전 1 다음 반응형
