Registry机制原本是fvcore框架里面的功能,因为fvcore是一个轻量级的核心库,它提供了在FAIR开发的各种计算机视觉框架(如Detectron2、PySlowFast和ClassyVision)中共享的最常见和最基本的功能。所以Detectron2里面有很多功能都是直接从fvcore框架里面直接拿过来用的。
由于Detectron2是在pytorch的基础上进行再次封装的深度学习框架,其必须具有兼容多种算法的能力,也就是说,基本上常用的算法都要能够在这个框架上方便地实现才行,不然就失去了这个框架的意义。
这么多深度学习算法都要在这个框架上实现,那是不是我每跑一次算法,都要去调用一下这个深度学习算法的实现代码(也就是利用nn.Module写网络框架的那个文件)。按照最原始的方法来调用,我是不是首先要找到这个实现文件在哪里,然后再去寻找实现这个网络的类在哪里,然后利用类名去初始化这个网络,再去训练、推理等等。
这就会导致一个问题,如果框架里的算法很多,这样找来找去会很麻烦,于是就可以利用Registry机制来简化这个过程,将字符串命名与对象(Object)建立一对一的映射关系,也就是将名字与算法模型建立一一对应关系。然后我下次要调用这个算法的时候,我就不需要管这个算法被写在哪个地方了,直接调用这个名字即可。
比如我要实现一个功能:建立一个目标检测算法映射,即框架里所有的目标检测算法对应一个名字,然后通过这些名字就可以一一对应地调用目标检测算法
首先我们需要初始化Registry类
from detectron2.utils.registry import Registry
#或者用:from fvcore.common import registry
OBGECT_DETECTION_REGISTRY = Registry("object_detection")
然后,我们需要将算法实现代码与名字建立映射关系
@OBGECT_DETECTION_REGISTRY.register()
class MyObjectDetectionAlgorithm():
...
或者用如下方法建立映射关系
OBGECT_DETECTION_REGISTRY.register(MyObjectDetectionAlgorithm)
建立映射关系之后,这个算法的名字就是MyObjectDetectionAlgorithm。将所有目标检测算法都一一映射成这种名字之后,然后将这些名字都记录配置文件里面,之后就可以通过查询配置文件,来决定调用哪个算法了。
用如下代码实现通过名字调用算法
model = OBGECT_DETECTION_REGISTRY.get(MyObjectDetectionAlgorithm)(cfg) #其中的cfg是初始化算法需要传入的参数
Registry机制实现的源代码见:
https://detectron2.readthedocs.io/en/latest/_modules/fvcore/common/registry.html.
也可以看下面:
# Copyright (c) Facebook, Inc. and its affiliates. All Rights Reserved
# pyre-ignore-all-errors[2,3]
from typing import Any, Dict, Iterable, Iterator, Tuple
from tabulate import tabulate
class Registry(Iterable[Tuple[str, Any]]):
"""
The registry that provides name -> object mapping, to support third-party
users' custom modules.
To create a registry (e.g. a backbone registry):
.. code-block:: python
BACKBONE_REGISTRY = Registry('BACKBONE')
To register an object:
.. code-block:: python
@BACKBONE_REGISTRY.register()
class MyBackbone():
...
Or:
.. code-block:: python
BACKBONE_REGISTRY.register(MyBackbone)
"""
def __init__(self, name: str) -> None:
"""
Args:
name (str): the name of this registry
"""
self._name: str = name
self._obj_map: Dict[str, Any] = {}
def _do_register(self, name: str, obj: Any) -> None:
assert (
name not in self._obj_map
), "An object named '{}' was already registered in '{}' registry!".format(
name, self._name
)
self._obj_map[name] = obj
def register(self, obj: Any = None) -> Any:
"""
Register the given object under the the name `obj.__name__`.
Can be used as either a decorator or not. See docstring of this class for usage.
"""
if obj is None:
# used as a decorator
def deco(func_or_class: Any) -> Any:
name = func_or_class.__name__
self._do_register(name, func_or_class)
return func_or_class
return deco
# used as a function call
name = obj.__name__
self._do_register(name, obj)
def get(self, name: str) -> Any:
ret = self._obj_map.get(name)
if ret is None:
raise KeyError(
"No object named '{}' found in '{}' registry!".format(name, self._name)
)
return ret
def __contains__(self, name: str) -> bool:
return name in self._obj_map
def __repr__(self) -> str:
table_headers = ["Names", "Objects"]
table = tabulate(
self._obj_map.items(), headers=table_headers, tablefmt="fancy_grid"
)
return "Registry of {}:\n".format(self._name) + table
def __iter__(self) -> Iterator[Tuple[str, Any]]:
return iter(self._obj_map.items())
# pyre-fixme[4]: Attribute must be annotated.
__str__ = __repr__