Skip to main content
OpenMMLab による MMEngine は、PyTorch ベースのディープラーニングモデルをトレーニングするための基盤ライブラリです。MMEngine は OpenMMLab のアルゴリズムライブラリ向けに次世代のトレーニングアーキテクチャを実装しており、OpenMMLab 内の 30 を超えるアルゴリズムライブラリに対して、統一された実行基盤を提供します。中核となるコンポーネントには、トレーニングエンジン、評価エンジン、モジュール管理が含まれます。 W&B は、専用の WandbVisBackend を通じて MMEngine に直接統合されており、これを使用して次のことができます。
  • トレーニングおよび評価のメトリクスをログする。
  • 実験の設定をログし、管理する。
  • グラフ、画像、スカラーなどの追加データをログする。

​
はじめに

openmim と wandb をインストールします。 
pip install -q -U openmim wandb
次に、mim を使って mmengine と mmcv をインストールします。 
mim install -q mmengine mmcv

​
WandbVisBackend を MMEngine Runner で使用する

このセクションでは、mmengine.runner.Runner を使って WandbVisBackend を利用する一般的なワークフローを説明します。
  1. 可視化設定から visualizer を定義します。 
    from mmengine.visualization import Visualizer

# 可視化設定を定義する
visualization_cfg = dict(
    name="wandb_visualizer",
    vis_backends=[
        dict(
            type='WandbVisBackend',
            init_kwargs=dict(project="mmengine"),
        )
    ],
    save_dir="runs/wandb"
)

# 可視化設定から visualizer を取得する
visualizer = Visualizer.get_instance(**visualization_cfg)
    init_kwargs には、W&B run の初期化の入力パラメーターとして使用する引数の辞書を渡します。
  2. visualizer を指定して runner を初期化し、runner.train() を呼び出します。 
    from mmengine.runner import Runner

# PyTorch 用のトレーニングヘルパーである mmengine Runner を構築する
runner = Runner(
    model,
    work_dir='runs/gan/',
    train_dataloader=train_dataloader,
    train_cfg=train_cfg,
    optim_wrapper=opt_wrapper_dict,
    visualizer=visualizer, # visualizer を渡す
)

# トレーニングを開始する
runner.train()

​
OpenMMLabのコンピュータビジョンライブラリでWandbVisBackendを使用する

WandbVisBackendは、MMDetection などのOpenMMLabのコンピュータビジョンライブラリでExperimentsを管理する際にも、簡単に使用できます。 
# デフォルトのランタイム設定から基本設定を継承する
_base_ = ["../_base_/default_runtime.py"]

# 基本設定の `visualizer` の `vis_backends` に
# `WandbVisBackend` の設定dictを割り当てる
_base_.visualizer.vis_backends = [
    dict(
        type='WandbVisBackend',
        init_kwargs={
            'project': 'mmdet',
            'entity': 'geekyrakshit'
        },
    ),
]