从零到一：基于MMPretrain框架定制化训练专属图像分类模型
1. 环境准备与框架安装
第一次接触MMPretrain时，我对着官方文档折腾了半天环境配置。后来发现用mim这个包管理工具能省去80%的依赖问题。先确保你的Python环境是3.7+版本，然后执行下面这组命令：
pip install openmim mim install mmengine mim install mmcv mim install mmpretrain这里有个坑要注意：如果系统里有多个Python版本，记得用python -m pip指定版本。我之前在Ubuntu上就遇到过pip默认指向Python2.7的情况，装完一堆报错。安装完成后验证下是否成功：
import mmpretrain print(mmpretrain.__version__)建议用conda创建独立环境，特别是当你要跑不同版本的实验时。有次我在服务器上同时跑两个项目，因为环境冲突浪费了一整天。Windows用户可能会遇到VC++编译问题，直接安装Visual Studio Build Tools就能解决。
2. 数据集准备实战
官方示例用的都是标准数据集，但实际项目中我们往往要处理自定义数据。以花卉识别为例，我的文件夹结构是这样的：
flower_data/ ├── train/ │ ├── rose/ │ ├── tulip/ │ └── ... └── val/ ├── rose/ ├── tulip/ └── ...关键点在于类别子目录的命名。有次我把"daisy"拼成"dasiy"，训练时直接报维度错误。建议先用这个脚本检查数据完整性：
from pathlib import Path data_root = Path('flower_data') for split in ['train', 'val']: for cls_dir in (data_root/split).iterdir(): if not any(cls_dir.glob('*.jpg')): print(f"空文件夹警告: {cls_dir}")对于非标准尺寸的图片，MMPretrain会自动resize，但建议提前用OpenCV批量处理到相近尺寸。我遇到过一批4000x3000的图片，直接训练把显存撑爆了。
3. 模型配置魔改技巧
官方提供的ResNet18配置是个不错的起点，但需要修改几个关键参数：
- 复制
configs/resnet/resnet18_8xb32_in1k.py为my_resnet18_8xb32_flowers.py - 修改
num_classes=102（根据你的类别数） - 调整学习率策略：把
milestones=[30,60,90]改为[20,40]对小数据集更友好
最容易被忽略的是data_preprocessor里的mean和std值。如果用预训练模型却不改这些参数，效果会大打折扣。有个取巧的方法：
from mmpretrain import get_model model = get_model('resnet18_8xb32_in1k') print(model.data_preprocessor.mean) # 输出预训练模型的归一化参数对于自定义数据集加载，建议继承CustomDataset而不是照搬ImageNet的写法。这是我改良后的数据集类模板：
from mmpretrain.datasets import CustomDataset class FlowerDataset(CustomDataset): METAINFO = { 'classes': ('rose', 'tulip', ...), # 你的类别列表 'palette': [(255,0,0), (0,255,0), ...] # 可视化用的颜色 } def __init__(self, **kwargs): super().__init__(**kwargs) # 自定义初始化逻辑4. 训练调参实战心得
启动训练前，先运行以下命令检查配置是否有效：
mim train mmpretrain my_resnet18_8xb32_flowers.py --work-dir ./work_dirs --validate几个实用参数：
--cfg-options：临时覆盖配置项，比如optim_wrapper.optimizer.lr=0.01--auto-scale-lr：根据batch size自动缩放学习率--resume：从上次中断处继续训练
训练过程中要盯紧这几个指标：
- train/acc：如果一直不上升，可能是学习率太小
- val/acc：与训练集差距过大说明过拟合
- memory：显存占用突然飙升可能有bug
我用RTX 3090训练ResNet18的实测数据：
- 批量大小32：显存占用约5GB
- 100个epoch耗时约2小时（1万张图片）
- 最佳验证准确率出现在第65epoch左右
5. 模型部署与优化
训练完的模型可以通过tools/test.py快速验证：
mim test mmpretrain \ ./work_dirs/resnet18_8xb32_flowers/epoch_100.pth \ --config my_resnet18_8xb32_flowers.py \ --metrics accuracy precision recall想要部署到生产环境，建议导出为ONNX格式：
from mmpretrain import get_model model = get_model('resnet18_8xb32_in1k', pretrained='work_dirs/epoch_100.pth') torch.onnx.export(model, torch.rand(1,3,224,224), 'flower.onnx')对于边缘设备部署，可以试试量化压缩：
model.cpu() quantized_model = torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtype=torch.qint8)6. 避坑指南
- 路径问题：Windows用户注意反斜杠转义，建议用
pathlib.Path处理路径 - 版本冲突：MMCV和PyTorch版本必须严格匹配，参考官方兼容性表格
- 显存不足：尝试减小
batch_size或使用amp自动混合精度 - 标签错误：先用小批量数据(
--max-keep-ckpts=1)快速验证流程 - 过拟合：添加
model.head.dropout=0.5或数据增强
有次我遇到验证集准确率始终为0，最后发现是val_dataloader里忘了设置shuffle=False。这种错误日志不会直接报错，但会导致评估失效。