mmdetection在windows中可运行的train.py

mmdetection在2019年12月13号进行了新版本的更新，其中对api/train.py增加torch.distributed，这块在windows下不支持，所以要在windows中训练的话需要把v1.0rc1的版本的train与新版本的train进行合并，主要是去除torch.distributed以及_non_dist_train的修改为主。

from __future__ import division
import logging
import random
import numpy as np
import re
from collections import OrderedDict

import torch
from mmcv.runner import Runner DistSamplerSeedHook obj_from_dict
from mmcv.parallel import MMDataParallel MMDistributedDataParallel

from mmdet import datasets
from mmdet.core import （DistOptimizerHook DistEvalmAPHook
                        CocoDistEvalRecallHook CocoDistEvalmAPHook
                        Fp16OptimizerHook）
from mmdet.datasets import build_dataloader DATASETS
from mmdet.models import RPN
# from .env import get_root_logger

def get_root_logger（log_file=None log_level=logging.INFO）:
    logger = logging.getLogger（‘mmdet‘）
    # if the logger has been initialized just return it
    if logger.hasHandlers（）:
        return logger

    logging.basicConfig（
        format=‘%（asctime）s - %（levelname）s - %（message）s‘ level=log_level）
    # rank _ = get_dist_info（）
    # if rank != 0:
    #     logger.setLevel（‘ERROR‘）
    # elif log_file is not None:
    #     file_handler = logging.FileHandler（log_file ‘w‘）
    #     file_handler.setFormatter（
    #         logging.Formatter（‘%（asctime）s - %（levelname）s - %（message）s‘））
    #     file_handler.setLevel（log_level）
    #     logger.addHandler（file_handler）

    return logger

def set_random_seed（seed deterministic=False）:
    “““Set random seed.
    Args:
        seed （int）: Seed to be used.
        deterministic （bool）: Whether to set the deterministic option for
            CUDNN backend i.e. set ‘torch.backends.cudnn.deterministic‘
            to True and ‘torch.backends.cudnn.benchmark‘ to False.
            Default: False.
    “““
    random.seed（seed）
    np.random.seed（seed）
    torch.manual_seed（seed）
    torch.cuda.manual_seed_all（seed）
    if deterministic:
        torch.backends.cudnn.deterministic = True
        torch.backends.cudnn.benchmark = False


def parse_losses（losses）:
    log_vars = OrderedDict（）
    for loss_name loss_value in losses.items（）:
        if isinstance（loss_value torch.Tensor）:
            log_vars[loss_name] = loss_value.mean（）
        elif isinstance（loss_value list）:
            log_vars[loss_name] = sum（_loss.mean（） for _loss in loss_value）
        else:
            raise TypeError（
                ‘{} is not a tensor or list of tensors‘.format（loss_name））

    loss = sum（_value for _key _value in log_vars.items（） if ‘loss‘ in _key）

    log_vars[‘loss‘] = loss
    for name in log_vars:
        log_vars[name] = log_vars[name].item（）

    return loss log_vars


def batch_processor（model data train_mode）:
    losses = model（**data）
    loss log_vars = parse_losses（losses）

    outputs = dict（
        loss=loss log_vars=log_vars num_samples=len（data[‘img‘].data））

    return outputs


def train_detector（model
                   dataset
                   cfg
                   distributed=False