mmdetection resnet

### mmdetection 使用 ResNet 模型配置及教程

#### 配置文件结构解析
在 MMDetection 中，ResNet 的配置主要集中在 `configs/_base_/models` 文件夹下。对于 ResNet 作为骨干网络的应用，通常会有一个基础配置文件定义了模型的主要参数[^1]。

model = dict(
    type='FasterRCNN',
    backbone=dict(
        type='ResNet',
        depth=50,
        num_stages=4,
        out_indices=(0, 1, 2, 3),
        frozen_stages=1,
        norm_cfg=dict(type='BN', requires_grad=True),
        norm_eval=True,
        style='pytorch'),
    neck=None,
    rpn_head=None,
    roi_head=None,
    train_cfg=None,
    test_cfg=None)

这段代码展示了如何设置 Faster R-CNN 结构中的 ResNet-50 作为其主干网路。

#### 调整超参数以提高性能
为了获得更好的检测效果，在实际应用中可能需要调整一些特定于 ResNet 和整个框架的超参数。这包括但不限于批量大小、学习率调度器的选择以及数据增强策略等。

#### 加载预训练权重
利用已有的高精度预训练模型能够显著提升新任务上的表现。MMDetection 支持通过简单的修改来加载这些预先训练好的权值：

load_from = 'path/to/pretrained/resnet50.pth'

此路径应指向一个有效的 PyTorch 权重文件位置，该文件通常是基于 ImageNet 数据集上训练得到的一个通用特征提取器。

#### 自定义配置实例化
当创建自定义实验时，可以通过继承默认模板并覆盖必要的部分来自动生成新的配置文件。例如，如果想要尝试不同的输入尺寸或更复杂的颈部设计，则可以在相应的位置做出更改。