MMEngine

Cette page vous montre comment utiliser W&B avec MMEngine d’OpenMMLab pour suivre et visualiser les exécutions d’entraînement. Utilisez-la si vous entraînez des modèles de deep learning avec MMEngine ou les bibliothèques de vision par ordinateur d’OpenMMLab et que vous souhaitez journaliser des métriques, des configurations et des visualisations dans W&B. MMEngine d’OpenMMLab est une bibliothèque de base pour entraîner des modèles de deep learning basés sur PyTorch. MMEngine met en œuvre une architecture d’entraînement pour la bibliothèque d’algorithmes d’OpenMMLab, en fournissant une base d’exécution unifiée pour plus de 30 bibliothèques d’algorithmes au sein d’OpenMMLab. Ses composants principaux incluent le moteur d’entraînement, le moteur d’évaluation et la gestion des modules. MMEngine s’intègre directement à W&B via un WandbVisBackend dédié que vous pouvez utiliser pour :

journaliser les métriques d’entraînement et d’évaluation.
journaliser et gérer les configurations d’expérience.
journaliser des enregistrements supplémentaires, tels que des graphes, des images et des scalaires.

Prise en main

Installez openmim et wandb.

Ligne de commande
Notebook

pip install -q -U openmim wandb

!pip install -q -U openmim wandb

Installez ensuite mmengine et mmcv avec mim.

Ligne de commande
Notebook

mim install -q mmengine mmcv

!mim install -q mmengine mmcv

Utiliser `WandbVisBackend` avec le runner MMEngine

Cette section présente un flux de travail typique avec WandbVisBackend et mmengine.runner.Runner. Le visualiseur encapsule le backend W&B afin que le runner MMEngine puisse acheminer les logs vers W&B pendant l’entraînement.

Définissez un visualizer à partir d’une configuration de visualisation. Le visualiseur est l’élément que le runner utilise pour transmettre les logs au backend configuré.

from mmengine.visualization import Visualizer

# définir les configurations de visualisation
visualization_cfg = dict(
    name="wandb_visualizer",
    vis_backends=[
        dict(
            type='WandbVisBackend',
            init_kwargs=dict(project="mmengine"),
        )
    ],
    save_dir="runs/wandb"
)

# obtenir le visualiseur à partir des configurations de visualisation
visualizer = Visualizer.get_instance(**visualization_cfg)

Vous passez à init_kwargs un dictionnaire d’arguments correspondant aux paramètres d’entrée de l’initialisation d’un W&B Run.

Initialisez un runner avec le visualizer, puis appelez runner.train() pour démarrer l’entraînement. Le runner utilise le visualiseur pour transmettre les métriques et les configurations à W&B.

from mmengine.runner import Runner

# construire le Runner mmengine, qui est un assistant d'entraînement pour PyTorch
runner = Runner(
    model,
    work_dir='runs/gan/',
    train_dataloader=train_dataloader,
    train_cfg=train_cfg,
    optim_wrapper=opt_wrapper_dict,
    visualizer=visualizer, # transmettre le visualiseur
)

# démarrer l'entraînement
runner.train()

Utiliser le `WandbVisBackend` avec les bibliothèques de vision par ordinateur d’OpenMMLab

Vous pouvez également utiliser le WandbVisBackend pour suivre les expériences avec des bibliothèques de vision par ordinateur d’OpenMMLab telles que MMDetection. L’exemple suivant redéfinit l’entrée vis_backends d’une configuration de base afin que le visualiseur existant journalise sur W&B.

# hériter des configurations de base des configurations d'exécution par défaut
_base_ = ["../_base_/default_runtime.py"]

# Attribuer le dictionnaire de configuration `WandbVisBackend` à
# `vis_backends` du `visualizer` depuis les configurations de base
_base_.visualizer.vis_backends = [
    dict(
        type='WandbVisBackend',
        init_kwargs={
            'project': 'mmdet',
            'entity': 'geekyrakshit'
        },
    ),
]

Weights & Biases

Powered by CoreWeave

Platform Details

Resources

Prise en main

Utiliser `WandbVisBackend` avec le runner MMEngine

Utiliser le `WandbVisBackend` avec les bibliothèques de vision par ordinateur d’OpenMMLab

​Prise en main

​Utiliser WandbVisBackend avec le runner MMEngine

​Utiliser le WandbVisBackend avec les bibliothèques de vision par ordinateur d’OpenMMLab

Prise en main

Utiliser `WandbVisBackend` avec le runner MMEngine

Utiliser le `WandbVisBackend` avec les bibliothèques de vision par ordinateur d’OpenMMLab