修改mmseg train.md

openmmlab_test/mmdetection-2.25.2/configs/dcn/faster_rcnn_r50_fpn_mdpool_1x_coco.py

+_base_ = '../faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
+model = dict(
+    roi_head=dict(
+        bbox_roi_extractor=dict(
+            type='SingleRoIExtractor',
+            roi_layer=dict(
+                _delete_=True,
+                type='ModulatedDeformRoIPoolPack',
+                output_size=7,
+                output_channels=256),
+            out_channels=256,
+            featmap_strides=[4, 8, 16, 32])))

openmmlab_test/mmsegmentation-0.29.1/train.md

@@ -23,15 +23,15 @@ pip3 install opencv-python
 ### 安装python依赖包
 
 ```python
-pip3 install torch-1.10.0a0+gitcc7c9c7-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
-pip3 install torchvision-0.10.0a0+300a8a4-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
-pip3 install mmcv_full-1.3.16-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
-mmpose安装：
-cd mmsegmentation
+pip3 install torch-1.10.0a0+git2040069.dtk2210-cp37-cp37m-manylinux2014_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
+pip3 install torchvision-0.10.0a0+e04d001.dtk2210-cp37-cp37m-manylinux2014_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
+pip3 install mmcv_full-1.6.1+gitdebbc80.dtk2210-cp37-cp37m-manylinux2014_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
+mmseg 安装：
+cd mmsegmentation-0.29.1
 pip3 install -e .
 ```
 
-注：测试不同版本的dtk，需安装对应版本的库whl包，dtk22.04.1使用python3.7，dtk21.10.1使用python3.6,如果测试优化后的版本，需要设置export HIP_UPSAMPLE_OPTIMIZE=1
+注：测试不同版本的dtk，需安装对应版本的库whl包，如果测试优化后的版本，需要设置export HIP_UPSAMPLE_OPTIMIZE=1
 
 ## PSPNet R50测试
 
@@ -41,101 +41,38 @@ pip3 install -e .
 ./sing_test.sh configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py
 ```
 
-若使用dtk22.04.1测试，需设置 `export MIOPEN_FIND_MODE=1，export MIOPEN_USE_APPROXIMATE_PERFORMANCE=0`以下测试均相同.
-
 #### 参数说明
 
 configs/_base_/datasets/cityscapes.py中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
-![1659172384601](image/train/1659172384601.png)
 
 #### 性能关注：time
 
 ### 多卡测试（单精度）
 
-```python
-./multi_test.sh configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py
-```
-
-## DeepLabV3 R50测试
+#### 单机多卡训练
 
-### 单卡测试（单精度）
+1.pytorch单机多卡训练
 
 ```python
-./sing_test.sh configs/deeplabv3/deeplabv3_r50-d8_512x1024_40k_cityscapes.py
-```
-
-#### 参数说明
-
-configs/_base_/datasets/cityscapes.py中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
-![1659172468356](image/train/1659172468356.png)
-
-#### 性能关注：time
-
-### 多卡测试（单精度）
-
-```python
-./multi_test.sh configs/deeplabv3/deeplabv3_r50-d8_512x1024_40k_cityscapes.py
-```
-
-## FCN R50测试
-
-### 单卡测试（单精度）
-
-```python
-./sing_test.sh configs/fcn/fcn_r50-d8_512x1024_40k_cityscapes.py
-```
-
-#### 参数说明
-
-configs/_base_/datasets/cityscapes.py中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
-![1659172530175](image/train/1659172530175.png)
-
-#### 性能关注：time
-
-### 多卡测试（单精度）
-
-```python
-./multi_test.sh configs/fcn/fcn_r50-d8_512x1024_40k_cityscapes.py
-```
-
-## UperNet R50测试
-
-### 单卡测试（单精度）
-
-```python
-./sing_test.sh configs/upernet/upernet_r50_512x1024_40k_cityscapes.py
-```
-
-#### 参数说明
-
-configs/_base_/datasets/cityscapes.py中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
-![1659172631957](image/train/1659172631957.png)
-
-#### 性能关注：time
-
-### 多卡测试（单精度）
-
-```python
-./multi_test.sh configs/upernet/upernet_r50_512x1024_40k_cityscapes.py
+./multi_test.sh configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py
 ```
 
-## DeepLabV3plus_R50测试
+#### 多机多卡训练
 
-### 单卡测试（单精度）
+1.pytorch多机多卡训练 在第一台机器上: NODES=2 NODE_RANK=0 PORT=12345 MASTER_ADDR=10.1.3.56 sh tools/dist_train.sh configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py 4 在第二台机器上: NODES=2 NODE_RANK=1 PORT=12345 MASTER_ADDR=10.1.3.56 sh tools/dist_train.sh configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py 4
 
-```python
-./sing_test.sh configs/deeplabv3plus/deeplabv3plus_r50-d8_512x1024_40k_cityscapes.py
-```
+### 半精度测试
 
-#### 参数说明
+修改configs文件，添加fp16 = dict(loss_scale=512.)，单机多卡和多机多卡测试与单精度测试方法相同。
 
-configs/_base_/datasets/cityscapes.py中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
-![1659172696867](image/train/1659172696867.png)
+### 其他模型测试
 
-#### 性能关注：time
+其他模型的测试步骤和pspnet_r50相同，只需修改对应的config文件即可，下面列出相关模型对应的config文件列表：
 
-### 多卡测试（单精度）
+| 模型              | configs                                                      |
+| ----------------- | ------------------------------------------------------------ |
+| DeepLabV3 R50     | configs/deeplabv3/deeplabv3_r50-d8_512x1024_40k_cityscapes.py |
+| FCN R50           | configs/fcn/fcn_r50-d8_512x1024_40k_cityscapes.py            |
+| UperNet R50       | configs/upernet/upernet_r50_512x1024_40k_cityscapes.py       |
+| DeepLabV3plus_R50 | configs/deeplabv3plus/deeplabv3plus_r50-d8_512x1024_40k_cityscapes.py |
 
-```python
-./multi_test.sh configs/deeplabv3plus/deeplabv3plus_r50-d8_512x1024_40k_cityscapes.py
-```