> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-2751.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# MMEngine

> Utilisez W&B avec MMEngine d'OpenMMLab via WandbVisBackend pour journaliser les métriques d'entraînement, les configurations et les enregistrements visuels.

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](https://github.com/open-mmlab) 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](https://wandb.ai/site) via un [`WandbVisBackend`](https://mmengine.readthedocs.io/en/latest/api/generated/mmengine.visualization.WandbVisBackend.html#mmengine.visualization.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.

<div id="get-started">
  ## Prise en main
</div>

Installez `openmim` et `wandb`.

<Tabs>
  <Tab title="Ligne de commande">
    ```bash theme={null}
    pip install -q -U openmim wandb
    ```
  </Tab>

  <Tab title="Notebook">
    ```bash theme={null}
    !pip install -q -U openmim wandb
    ```
  </Tab>
</Tabs>

Installez ensuite `mmengine` et `mmcv` avec `mim`.

<Tabs>
  <Tab title="Ligne de commande">
    ```bash theme={null}
    mim install -q mmengine mmcv
    ```
  </Tab>

  <Tab title="Notebook">
    ```bash theme={null}
    !mim install -q mmengine mmcv
    ```
  </Tab>
</Tabs>

<div id="use-the-wandbvisbackend-with-mmengine-runner">
  ## Utiliser `WandbVisBackend` avec le runner MMEngine
</div>

Cette section présente un flux de travail typique avec `WandbVisBackend` et [`mmengine.runner.Runner`](https://mmengine.readthedocs.io/en/latest/api/generated/mmengine.runner.Runner.html#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.

1. 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.

   ```python theme={null}
   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](/fr/models/ref/python/functions/init).

2. 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.

   ```python theme={null}
   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()
   ```

<div id="use-the-wandbvisbackend-with-openmmlab-computer-vision-libraries">
  ## Utiliser le `WandbVisBackend` avec les bibliothèques de vision par ordinateur d’OpenMMLab
</div>

Vous pouvez également utiliser le `WandbVisBackend` pour suivre les expériences avec des bibliothèques de vision par ordinateur d’OpenMMLab telles que [MMDetection](https://mmdetection.readthedocs.io/). L’exemple suivant redéfinit l’entrée `vis_backends` d’une configuration de base afin que le visualiseur existant journalise sur W\&B.

```python theme={null}
# 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'
        },
    ),
]
```