〖open-mmlab: MMDetection〗解析文件：configs/_base

〖open-mmlab: MMDetection〗解析文件：configs/_base_/schedules

详细解析三个训练调度文件：schedule_1x.py、schedule_2x.py、schedule_20e.py

在深度学习模型训练过程中，训练调度（Training Schedule）是至关重要的，它决定了模型训练过程中学习率（Learning Rate, LR）的变化以及训练的总轮数（Epochs）。本文将详细解析三个训练调度文件：schedule_1x.py、schedule_2x.py和schedule_20e.py，这三个文件分别对应不同的训练时长和策略。

区别

这三个文件的主要区别在于训练的总轮数（max_epochs）和学习率调度策略（param_scheduler）中的milestones参数。max_epochs决定了训练的总轮数，而milestones参数则定义了在哪些epoch时学习率会进行衰减。

schedule_1x.py：训练总轮数为12轮，学习率在第8轮和第11轮时衰减。
schedule_2x.py：训练总轮数为24轮，学习率在第16轮和第22轮时衰减。
schedule_20e.py：训练总轮数为20轮，学习率在第16轮和第19轮时衰减。

schedule_1x.py 解析

# training schedule for 1x
train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=12, val_interval=1)
val_cfg = dict(type='ValLoop')
test_cfg = dict(type='TestLoop')

# learning rate
param_scheduler = [
    dict(
        type='LinearLR', start_factor=0.001, by_epoch=False, begin=0, end=500),
    dict(
        type='MultiStepLR',
        begin=0,
        end=12,
        by_epoch=True,
        milestones=[8, 11],
        gamma=0.1)
]

# optimizer
optim_wrapper = dict(
    type='OptimWrapper',
    optimizer=dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001))

# Default setting for scaling LR automatically
#   - `enable` means enable scaling LR automatically
#       or not by default.
#   - `base_batch_size` = (8 GPUs) x (2 samples per GPU).
auto_scale_lr = dict(enable=False, base_batch_size=16)

训练配置（`train_cfg`）

type: 'EpochBasedTrainLoop'，表示训练循环是基于epoch的。
max_epochs: 12，训练的总轮数为12轮。
val_interval: 1，表示每1轮进行一次验证。

验证和测试配置（`val_cfg` 和 `test_cfg`）

两者都设置为默认的循环配置。

学习率调度（`param_scheduler`）

首先使用LinearLR，从0开始线性增加到start_factor=0.001，直到end=500迭代。
然后使用MultiStepLR，在第8轮和第11轮时，学习率乘以gamma=0.1进行衰减。

优化器配置（`optim_wrapper`）

使用SGD作为优化器，初始学习率为0.02，动量为0.9，权重衰减为0.0001。

自动缩放学习率（`auto_scale_lr`）

enable: False，表示不自动缩放学习率。
base_batch_size: 16，基础批量大小。

schedule_2x.py 解析

# training schedule for 2x
train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=24, val_interval=1)
val_cfg = dict(type='ValLoop')
test_cfg = dict(type='TestLoop')

# learning rate
param_scheduler = [
    dict(
        type='LinearLR', start_factor=0.001, by_epoch=False, begin=0, end=500),
    dict(
        type='MultiStepLR',
        begin=0,
        end=24,
        by_epoch=True,
        milestones=[16, 22],
        gamma=0.1)
]

# optimizer
optim_wrapper = dict(
    type='OptimWrapper',
    optimizer=dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001))

# Default setting for scaling LR automatically
#   - `enable` means enable scaling LR automatically
#       or not by default.
#   - `base_batch_size` = (8 GPUs) x (2 samples per GPU).
auto_scale_lr = dict(enable=False, base_batch_size=16)

训练配置（`train_cfg`）

max_epochs: 24，训练的总轮数为24轮。

学习率调度（`param_scheduler`）

使用MultiStepLR，在第16轮和第22轮时，学习率乘以gamma=0.1进行衰减。

schedule_20e.py 解析

# training schedule for 20e
train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=20, val_interval=1)
val_cfg = dict(type='ValLoop')
test_cfg = dict(type='TestLoop')

# learning rate
param_scheduler = [
    dict(
        type='LinearLR', start_factor=0.001, by_epoch=False, begin=0, end=500),
    dict(
        type='MultiStepLR',
        begin=0,
        end=20,
        by_epoch=True,
        milestones=[16, 19],
        gamma=0.1)
]

# optimizer
optim_wrapper = dict(
    type='OptimWrapper',
    optimizer=dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001))

# Default setting for scaling LR automatically
#   - `enable` means enable scaling LR automatically
#       or not by default.
#   - `base_batch_size` = (8 GPUs) x (2 samples per GPU).
auto_scale_lr = dict(enable=False, base_batch_size=16)