数据流¶
数据流(Data Flow)定义了数据在两个独立模块之间传递的方式,如数据加载器(dataloader)模块与模型(model)模块,如下图所示。
在 MMSelfSup 中,我们主要关注两类数据流,一是数据加载器 (dataloader)与模型(model)之间,二是模型与可视化工具(visualizer)之间。 而对于模型与 metric 之间数据流的介绍,大家可以参考 OpenMMLab 其他代码库中的文档,如 MMClassification. 此外,对于 model 与 visualizer 模块之间的数据流,感兴趣的话可以参考: visualization.
数据加载器与模型之间的数据流¶
数据加载器 (dataloader) 和模型 (model)之间的数据流一般可以分为如下三个步骤 :
i) 使用 PackSelfSupInputs
将转换完成的数据打包成为一个字典;
ii) 使用 collate_fn
将各个张量集成为一个批处理张量;
iii) 数据预处理器把以上所有数据迁移到 GPUS 等目标设备,并在数据加载器中将之前打包的字典解压为一个元组,该元祖包含输入图像与对应的元信息(SelfSupDataSample
)。
数据集的数据处理¶
在 MMSelfSup 中,数据在投入到模型中前,会先进行一系列转换,称为pipeline
,如常用的 RandomResizedCrop
和 ColorJitter
转换。 在pipeline
中完成若干次转换后,最后一步转换是PackSelfSupInputs
, PackSelfSupInputs
会将转换好的数据打包到一个字典中,此字典包含两部分,即 inputs
和 data_samples
.
# 在这部分,我们省略了一些不太重要的代码
class PackSelfSupInputs(BaseTransform):
def transform(self,
results: Dict) -> Dict[torch.Tensor, SelfSupDataSample]:
packed_results = dict()
if self.key in results:
...
packed_results['inputs'] = img
...
packed_results['data_samples'] = data_sample
return packed_results
提示:inputs
包含了一个图像列表,例如一个应用在对比学习中的多视图列表。 即使输入是单个视图,PackSelfSupInputs
仍然会把信息输出到一个列表中。
数据加载器的数据处理¶
以数据集中的获取字典列表作为输入,数据加载器(dataloader)中的 collect_fn
会提取每个字典的inputs
并将其整合成一个批处理张量;此外,每个字典中的data_sample
也会被整合为一个列表,从而输出一个与先前字典有相同键的字典;最终数据加载器会通过 collect_fn
输出这个字典。
数据预处理器的数据处理¶
数据预处理是数据输入模型之前,处理数据过程的最后一步。 数据预处理过程会对图像进行归一处理,如把 BGR 模式转换为 RGB 模式,并将所有数据迁移至 GPU 等目标设备中 。上述各步骤完成后,最终会得到一个元组,该元组包含一个批处理图像的列表,和一个数据样本的列表。
class SelfSupDataPreprocessor(ImgDataPreprocessor):
def forward(
self,
data: dict,
training: bool = False
) -> Tuple[List[torch.Tensor], Optional[list]]:
assert isinstance(data,
dict), 'Please use default_collate in dataloader, \
instead of pseudo_collate.'
data = [val for _, val in data.items()]
batch_inputs, batch_data_samples = self.cast_data(data)
# channel transform
if self._channel_conversion:
batch_inputs = [
_input[:, [2, 1, 0], ...] for _input in batch_inputs
]
# 转换为 float 格式
# 以保障效率
batch_inputs = [input_.float() for input_ in batch_inputs]
# 该步骤为归一化。 这与 :class:`mmengine.ImgDataPreprocessor` 有所不同。
# 由于某些算法(如 SimCLR )的图像有多个视图,所以输入中的每项都是一个列表,
# 其中包含一张图像的多个视图。
if self._enable_normalize:
batch_inputs = [(_input - self.mean) / self.std
for _input in batch_inputs]
return batch_inputs, batch_data_samples