mmdetection 训练过程不显示验证结果

### 解决方案 在 `mmdetection` 训练过程中未显示验证结果的问题可能涉及多个方面的原因。以下是详细的分析以及解决方案： #### 1. 配置文件中的设置 默认情况下，`mmdetection` 的配置文件中可能会禁用验证过程或者未正确配置验证逻辑。如果希望在训练期间查看验证集的结果，则需要确保以下参数已正确定义。 - **evaluation 参数** 在配置文件中，通常会有一个名为 `evaluation` 的字段用于定义评估行为。如果没有启用此选项或其间隔时间过长，则可能导致无法看到中间的验证结果。例如，在配置文件中应包含如下内容[^2]: ```python evaluation = dict(interval=1, metric='bbox', save_best='auto') ``` 上述代码片段表示每经过一次 epoch 后都会执行一次评估操作，并保存表现最佳模型权重。其中： - `interval`: 定义每隔多少 epochs 执行一次评估。 - `metric`: 指定使用的评价指标（如 'bbox' 表示边界框检测精度）。 - `save_best`: 自动保存性能最优的模型版本。 #### 2. 数据加载器 (DataLoader) 设置 另一个常见问题是数据管道未能正确加载验证数据集。这可能是由于路径错误、标注文件缺失或其他原因引起的。因此需确认验证数据集已被成功初始化并传递给训练脚本。具体来说，可以检查 `data` 字典内的子项是否完整无误: ```python data = dict( samples_per_gpu=2, workers_per_gpu=2, train=dict(...), val=dict(type='CocoDataset', ann_file='/path/to/val_annotations.json', img_prefix='/path/to/validation/images/', pipeline=[...]), test=dict(...) ) ``` 这里特别注意的是 `ann_file` 和 `img_prefix` 是否指向实际存在的位置及其内部结构是否匹配预期格式[^3]。 #### 3. 日志记录级别调整 有时即使完成了以上两步设定仍看不到任何输出消息，那很可能是日志等级设得过高所致。通过降低日志门槛可以让更多有用的信息得以呈现出来。修改方式是在启动命令前加入环境变量声明或将对应部分写入到 config 文件里头去实现控制台打印效果更佳的目的比如这样： ```bash export PYTHONUNBUFFERED=1 export LOG_LEVEL="DEBUG" ``` 又或者是直接编辑 Python 脚本本身找到 logging.basicConfig() 函数调用处更改 level 值为 DEBUG 或 INFO 级别即可满足需求[^4]。 --- ### 示例修正后的完整配置样例 下面给出一段综合考虑前述各要点之后形成的典型实例供参考学习之用： ```python # 导入库省略... model = dict( ... ) # 模型架构描述保持不变 train_pipeline = [...] test_pipeline = [...] data = dict( samples_per_gpu=2, workers_per_gpu=2, train=dict(pipeline=train_pipeline,...), val=dict( type='CocoDataset', ann_file='/your/path/to/coco_val_anns.json', img_prefix='/your/path/to/val_images/', pipeline=test_pipeline ), test=dict(...) ) evaluation = dict(interval=1, metric=['bbox'], save_best='auto') log_config = dict( interval=50, hooks=[ dict(type='TextLoggerHook'), # 如果还需要其他类型的 logger 可继续补充下去 ] ) dist_params = dict(backend='nccl') # 分布式训练相关参数可选忽略 work_dir = './work_dirs/tutorial_exps' load_from = None resume_from = None workflow = [('train', 1)] runner = dict(max_epochs=12) # 总共跑几轮epoch也记得填上哦~ optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001) optimizer_config = dict(grad_clip=None) lr_config = dict(policy='step', warmup='linear', warmup_iters=500, step=[8, 11]) checkpoint_config = dict(interval=1) ``` --- ###