我们使用 python 文件作为我们的配置系统。 你可以在 $MMTracking/configs 下找到所有配置文件。
我们将模块化和继承融入我们的配置系统，这将方便我们进行各种实验。
你可以运行 python tools/print_config.py /PATH/TO/CONFIG 来查看完整的配置。
使用 “tools/train.py” 或 “tools/test.py” 提交任务时，你可以指定 --cfg-options 来原地修改配置。
-
更新配置文件中字典的键值。
可以按照原始配置中字典键的顺序修改配置选项。 例如
--cfg-options model.detector.backbone.norm_eval=False将模型骨干网络中的 BN 模块更改为训练模式。 -
更新配置文件列表中的字典键值。
在配置文件中，一些配置字典被组成一个列表。例如，测试时的流水线
data.test.pipeline通常是一个列表 例如[dict(type='LoadImageFromFile'), ...]。如果你想把流水线中的'LoadImageFromFile'更改为'LoadImageFromWebcam'， 你可以使用--cfg-options data.test.pipeline.0.type=LoadImageFromWebcam。 -
更新列表/元组的值。
如果要更新的值是列表或元组。例如配置文件中通常设置
workflow=[('train', 1)]。如果你想 改变这个键值，你可以指定--cfg-options workflow="[(train,1),(val,1)]"。注意引号"是为了 支持列表/元组数据类型，并且在指定键值的引号内 不允许 有空格。
config/_base_ 下有3种基本组件类型分别是 dataset，model，default_runtime。
许多方法可以通过这些文件构筑，例如 DFF、FGFA、SELSA、SORT、DeepSORT。
由来自 _base_ 的组件组成的配置称为 primitive 。
对于同一文件夹下的所有配置，建议只有一个 primitive 配置。所有其他配置都应该从 primitive 配置中继承。在这种方式下，最大的继承级别是3。
为了便于理解，我们建议开发者继承现有方法。
例如，如果基于 Faster R-CNN 做了一些修改，用户可以先通过指定 _base_ = ../../_base_/models/faster_rcnn_r50_dc5.py 来继承基本的 Faster R-CNN 结构，然后在配置文件中修改必要的字段。
如果您正在构建一个与任何现有方法都不共享结构的新方法，你可以在 configs 下创建一个文件夹 xxx_rcnn，
详细文档请参考mmcv。
我们遵循以下样式来命名配置文件。建议开发者遵循相同的样式。
{model}_[model setting]_{backbone}_{neck}_[norm setting]_[misc]_[gpu x batch_per_gpu]_{schedule}_{dataset}
{xxx} 是必填字段，[yyy] 是可选字段。
{model}：模型类型，例如dff、tracktor、siamese_rpn等。[model setting]：某些模型中的特定设置，例如dff、tracktor中使用的faster_rcnn。{backbone}：主干网络，例如r50(ResNet-50)、x101(ResNeXt-101)。{neck}：模型颈部，例如fpn、c5。[norm_setting]：标准化设置，除了bn（Batch Normalization）不需要注明以外，其他标准化类型比如gn（Group Normalization），syncbn（Synchronized Batch Normalization）都应注明。gn-head/gn-neck表示 GN 仅应用于模型头部/模型颈部，而gn-all表示 GN 应用于整个模型，例如主干网络，模型颈部，模型头部。[misc]：模型的其他设置/插件，例如dconv、gcb、attention、albu、mstrain。[gpu x batch_per_gpu]：GPU 数目以及每个 GPU 的样本数，默认使用8x2。{schedule}：训练时长，选项为4e、7e、20e等。20e表示 20 个周期。{dataset}：数据集如imagenetvid、mot17、lasot。
不同任务的配置文件结构请参考相应页面。
你可以设置 _delete_=True 来忽略基本配置中的某些字段。
详细内容请参考 mmcv
配置文件中使用了一些中间变量，例如数据集中的 train_pipeline/test_pipeline。
值得注意的是，在子配置中修改中间变量时，用户需要再次将中间变量传递到相应的字段中。
例如，我们想使用自适应步长的测试策略来测试 SELSA。 ref_img_sampler 是我们想要修改的中间变量。
_base_ = ['./selsa_faster_rcnn_r50_dc5_1x_imagenetvid.py']
# dataset settings
ref_img_sampler = dict(
_delete_=True,
num_ref_imgs=14,
frame_range=[-7, 7],
method='test_with_adaptive_stride')
data = dict(
val=dict(
ref_img_sampler=ref_img_sampler),
test=dict(
ref_img_sampler=ref_img_sampler))我们首先需要定义新的 ref_img_sampler 然后将其赋值到 data 字段下对应位置。