github.com/open-mmlab/mmengine @v0.10.7

 

<b><font size="5">OpenMMLab 官网</font></b>
<sup>
  <a href="https://openmmlab.com">
    <i><font size="4">HOT</font></i>
  </a>
</sup>
&nbsp;&nbsp;&nbsp;&nbsp;
<b><font size="5">OpenMMLab 开放平台</font></b>
<sup>
  <a href="https://platform.openmmlab.com">
    <i><font size="4">TRY IT OUT</font></i>
  </a>
</sup>

 

简介 | 安装 | 快速上手 | 📘用户文档 | 🤔报告问题

English | 简体中文

最近进展

最新版本 v0.10.5 在 2024.9.11 发布。

版本亮点：

• 支持在 MLFlowVisBackend 中自定义 artifact_location #1505
• 支持在 DeepSpeedEngine._zero3_consolidated_16bit_state_dict 使用 exclude_frozen_parameters #1517

如果想了解更多版本更新细节和历史信息，请阅读更新日志。

简介

MMEngine 是一个基于 PyTorch 实现的，用于训练深度学习模型的基础库。它作为 OpenMMLab 所有代码库的训练引擎，其在不同研究领域支持了上百个算法。此外，MMEngine 也可以用于非 OpenMMLab 项目中。它的亮点如下：

集成主流的大模型训练框架

• ColossalAI
• DeepSpeed
• FSDP

支持丰富的训练策略

• 混合精度训练（Mixed Precision Training）
• 梯度累积（Gradient Accumulation）
• 梯度检查点（Gradient Checkpointing）

提供易用的配置系统

• 纯 Python 风格的配置文件，易于跳转
• 纯文本风格的配置文件，支持 JSON 和 YAML

覆盖主流的训练监测平台

• TensorBoard | WandB | MLflow
• ClearML | Neptune | DVCLive | Aim

兼容主流的训练芯片

• 英伟达 CUDA | 苹果 MPS
• 华为 Ascend | 寒武纪 MLU | 摩尔线程 MUSA

安装

支持的 PyTorch 版本

MMEngine	PyTorch	Python
main	>=1.6 \<=2.1	>=3.8, \<=3.11
>=0.9.0, \<=0.10.4	>=1.6 \<=2.1	>=3.8, \<=3.11

在安装 MMEngine 之前，请确保 PyTorch 已成功安装在环境中，可以参考 PyTorch 官方安装文档。

安装 MMEngine

pip install -U openmim
mim install mmengine

验证是否安装成功

python -c 'from mmengine.utils.dl_utils import collect_env;print(collect_env())'

更多安装方式请阅读安装文档。

快速上手

以在 CIFAR-10 数据集上训练一个 ResNet-50 模型为例，我们将使用 80 行以内的代码，利用 MMEngine 构建一个完整的、可配置的训练和验证流程。

构建模型

首先，我们需要构建一个模型，在 MMEngine 中，我们约定这个模型应当继承 BaseModel，并且其 forward 方法除了接受来自数据集的若干参数外，还需要接受额外的参数 mode。

• 对于训练，我们需要 mode 接受字符串 "loss"，并返回一个包含 "loss" 字段的字典。
• 对于验证，我们需要 mode 接受字符串 "predict"，并返回同时包含预测信息和真实信息的结果。

import torch.nn.functional as F
import torchvision
from mmengine.model import BaseModel

class MMResNet50(BaseModel):
    def __init__(self):
        super().__init__()
        self.resnet = torchvision.models.resnet50()

    def forward(self, imgs, labels, mode):
        x = self.resnet(imgs)
        if mode == 'loss':
            return {'loss': F.cross_entropy(x, labels)}
        elif mode == 'predict':
            return x, labels

构建数据集

其次，我们需要构建训练和验证所需要的数据集（Dataset）和数据加载器（DataLoader）。在该示例中，我们使用 TorchVision 支持的方式构建数据集。

import torchvision.transforms as transforms
from torch.utils.data import DataLoader

norm_cfg = dict(mean=[0.491, 0.482, 0.447], std=[0.202, 0.199, 0.201])
train_dataloader = DataLoader(batch_size=32,
                              shuffle=True,
                              dataset=torchvision.datasets.CIFAR10(
                                  'data/cifar10',
                                  train=True,
                                  download=True,
                                  transform=transforms.Compose([
                                      transforms.RandomCrop(32, padding=4),
                                      transforms.RandomHorizontalFlip(),
                                      transforms.ToTensor(),
                                      transforms.Normalize(**norm_cfg)
                                  ])))
val_dataloader = DataLoader(batch_size=32,
                            shuffle=False,
                            dataset=torchvision.datasets.CIFAR10(
                                'data/cifar10',
                                train=False,
                                download=True,
                                transform=transforms.Compose([
                                    transforms.ToTensor(),
                                    transforms.Normalize(**norm_cfg)
                                ])))

构建评测指标

为了进行验证和测试，我们需要定义模型推理结果的评测指标。我们约定这一评测指标需要继承 BaseMetric，并实现 process 和 compute_metrics 方法。

from mmengine.evaluator import BaseMetric

class Accuracy(BaseMetric):
    def process(self, data_batch, data_samples):
        score, gt = data_samples
        # 将一个批次的中间结果保存至 `self.results`
        self.results.append({
            'batch_size': len(gt),
            'correct': (score.argmax(dim=1) == gt).sum().cpu(),
        })
    def compute_metrics(self, results):
        total_correct = sum(item['correct'] for item in results)
        total_size = sum(item['batch_size'] for item in results)
        # 返回保存有评测指标结果的字典，其中键为指标名称
        return dict(accuracy=100 * total_correct / total_size)

构建执行器

最后，我们利用构建好的模型，数据加载器，评测指标构建一个执行器（Runner），并伴随其他的配置信息，如下所示。

from torch.optim import SGD
from mmengine.runner import Runner

runner = Runner(
    model=MMResNet50(),
    work_dir='./work_dir',
    train_dataloader=train_dataloader,
    # 优化器包装，用于模型优化，并提供 AMP、梯度累积等附加功能
    optim_wrapper=dict(optimizer=dict(type=SGD, lr=0.001, momentum=0.9)),
    # 训练配置，例如 epoch 等
    train_cfg=dict(by_epoch=True, max_epochs=5, val_interval=1),
    val_dataloader=val_dataloader,
    val_cfg=dict(),
    val_evaluator=dict(type=Accuracy),
)

开始训练

runner.train()

了解更多

入门教程

• 执行器
• 数据集与数据加载器
• 模型
• 模型精度评测
• 优化器封装
• 优化器参数调整策略
• 钩子

进阶教程

• 注册器
• 配置
• 数据集基类
• 数据变换
• 权重初始化
• 可视化
• 抽象数据接口
• 分布式通信原语
• 记录日志
• 文件读写
• 全局管理器 (ManagerMixin)
• 跨库调用模块
• 测试时增强

示例

• 训练生成对抗网络

常用功能

• 恢复训练
• 加速训练
• 节省显存

架构设计

• 钩子
• 执行器
• 模型精度评测
• 可视化
• 日志系统
• 推理接口

迁移指南

• 迁移 MMCV 执行器到 MMEngine
• 迁移 MMCV 钩子到 MMEngine
• 迁移 MMCV 模型到 MMEngine
• 迁移 MMCV 参数调度器到 MMEngine
• 数据变换类的迁移

贡献指南

我们感谢所有的贡献者为改进和提升 MMEngine 所作出的努力。请参考贡献指南来了解参与项目贡献的相关指引。

引用

如果您觉得 MMEngine 对您的研究有所帮助，请考虑引用它：

@article{mmengine2022,
  title   = {{MMEngine}: OpenMMLab Foundational Library for Training Deep Learning Models},
  author  = {MMEngine Contributors},
  howpublished = {\url{https://github.com/open-mmlab/mmengine}},
  year={2022}
}

开源许可证

该项目采用 Apache 2.0 license 开源许可证。

生态项目

• APES: Attention-based Point Cloud Edge Sampling
• DiffEngine: diffusers training toolbox with mmengine

OpenMMLab 的其他项目

• MIM: MIM 是 OpenMMLab 项目、算法、模型的统一入口