mmdetection第二代中SegRescale如何使用

在 mmdetection 第二代中，SegRescale 是一种用于多尺度训练的数据增强方式。具体使用方法如下：

1.在配置文件中设置 `img_scale` 参数为多个尺度，例如：

img_scale=[(1333, 800), (1333, 640)]

2.在数据集中定义 `seg_prefix` 参数，例如：

data = dict(
    train=dict(
        type='CocoDataset',
        ann_file='data/coco/annotations/instances_train2017.json',
        img_prefix='data/coco/train2017/',
        seg_prefix='data/coco/train2017/',
        pipeline=train_pipeline),
    val=dict(
        type='CocoDataset',
        ann_file='data/coco/annotations/instances_val2017.json',
        img_prefix='data/coco/val2017/',
        seg_prefix='data/coco/val2017/',
        pipeline=test_pipeline),
    test=dict(
        type='CocoDataset',
        ann_file='data/coco/annotations/instances_val2017.json',
        img_prefix='data/coco/val2017/',
        seg_prefix='data/coco/val2017/',
        pipeline=test_pipeline))

3.在训练配置中添加 `seg_rescaler` 参数，例如：

train_cfg = dict(
    seg_rescaler=dict(
        type='RelativeSegRescaler',
        scale_factor=[0.5, 1.5],
        policy='random',
        power=0.1),
    # ...
)

其中，`scale_factor` 参数表示相对于 `img_scale` 中的尺度进行缩放的尺度因子范围，`policy` 参数表示缩放方式，可以为 'random' 或 'range'，`power` 参数表示缩放因子的幂次。

4.在模型配置中添加 `seg_resampling` 参数，例如：

model = dict(
    type='MaskRCNN',
    # ...
    roi_head=dict(
        type='StandardRoIHead',
        # ...
        mask_roi_extractor=dict(
            type='SingleRoIExtractor',
            roi_layer=dict(type='RoIAlign', out_size=14, sample_num=2),
            out_channels=256,
            featmap_strides=[4, 8, 16, 32]),
        mask_head=dict(
            type='FCNMaskHead',
            num_convs=4,
            in_channels=256,
            conv_out_channels=256,
            num_classes=80,
            loss_mask=dict(
                type='CrossEntropyLoss', use_mask=True, loss_weight=1.0)),
        seg_resampling=True,  # 添加该参数
    ),
    # ...
)

其中，`seg_resampling` 参数表示是否使用 SegRescale 进行多尺度训练。

通过以上步骤，即可在 mmdetection 第二代中使用 SegRescale 进行多尺度训练。