mmdetection训练得到的权重/checkpoints文件分析

这篇文章对mmdetection（包括mmlab的其他例如mmclassification等）训练得到的模型权重，或者说checkpoints文件进行分析，一般模型保存在work-dir文件夹下，具体路径要参考训练用到的config，即配置文件。保存的模型一般是.pt的文件。

读取.pth文件具体数值

修改.pth文件具体数值（比如修改卷积核通道数）

读取.pth文件具体数值

.pt模型文件读取方法

这种模型文件可以用torch.load（）函数进行解析

import torch
 
pth_path = 'work-dir/your_check_point.pt'
model = torch.load(pth_path)

这里我们就可以看到这个model实际上不是什么复杂的东西，就是一个很大的dict

这个model一般包括三个key、value。

meta

第一个：meta，包含一些基本信息。就是告诉你这个模型是在什么背景下被训练得到的，用的mmdet是什么版本，随机种子seed是多少，config是什么，方便你复现复刻出来这个model 

state_dict 

这个是模型关键。一般网上下载的预训练权重只有这个，其是一个大的OrderedDict里面包含了这个模型按顺序得到的各层参数，看下图就明白个大概了。

一般要利用一个checkpoint（.pt的模型权重文件） ，也就是主要读取这里面的信息，来进行refine或者infer。

optimizer 

里面存放的是优化器的状态，方便用这个.pt文件进行resume，即意外中断实验的时候进行继续实验，结合mmdet的train.py里的resume_from命令理解。

修改.pth文件具体数值（比如修改卷积核通道数）

有时候我们修改了网络部分，会导致预训练权重的shape跟网络修改后的shape不匹配。最经典的例子就是我们希望输入图片从3channels变成6channels。就会报诸如

torch: input tensor shape not match

的错误，那么这个时候为了正常用预训练模型，我们就需要手动去修改模型权重。当然如果相关module的封装特别好比如MMdetection的一些backbone和neck module，是可以手动选择in_channels来自动匹配input的shape修改的，但是这种匹配也是建立在已封装了修改具体权重的基础上，实际上我们更希望手动去控制一些修改权重的方法（比如初始化法）