Link
Highlights&&Note
首先介绍
detectron2中使用的registry机制
Trainer中初始化模型调用的接口是build_model函数，通过modeling/__init__.py可以知道它是在modeling/meta_arch/build.py中定义的。但是在阅读build.py的过程中，我们发现它使用了一个叫做Registry的东西——那么什么是Registry呢？
Registry机制来自于FaceBook计算机视觉研究组的常用函数库fvcore，其中Registry的源代码和解读可见registry。它的主要作用是提供了用字符串调用类方法的接口，具体的函数是registry中的get方法。个人感觉registry.get()非常像一个getattr方法，它能够通过字符串访问类的方法。
例如我们有一个具体的网络结构，定义在
modeling/meta_arch/rcnn.py中的GeneralizedRCNN。注意在它的定义上方有一个修饰器@META_ARCH_REGISTRY.register()，意思就是把GeneralizedRCNN注册到META_ARCH_REGISTRY中。那么在modeling/meta_arch/build.py中的model = META_ARCH_REGISTRY.get(meta_arch)(cfg)中，只要我们设置meta_arch为GeneralizedRCNN，那么META_ARCH_REGISTRY.get(meta_arch)就调用了GeneralizedRCNN方法，也就因此初始化了模型。
- 指定名字来调用模型
用@ 修饰器在META_ARCH_REGISTRY中注册
再在参数中写入名称即可实现初始化*
registry的几个要点
- 创建一个
registry，设置可能的调用的类的名字 - 对于想加入到
registry中的类，在定义的时候通过修饰器指定 - 调用类方法的时候通过
get(name) - 通过
fvcore中的源代码，我们可以知道如何写python修饰器。
Faster-RCNN的结构主要包含如下几个部分，而这几个部分也是GeneralizedRCNN在初始化部分的输入：
backbone：从图片提取特征表示的卷积神经网络结构，比如说ResNet。proposal_generator：从图片的特征预测“哪里可能有物体”roi_head：以proposal_generator部分预测的有物体区域为基础，预测物体的类别和检测框坐标
与
__init__功能相似的是from_config函数，它用config文件初始化模型，通过这个函数我们知道了实际构造backbone、proposal_generator和roi_head的函数分别都是来自对应文件夹的build_xxx函数。
RCNN模型处理函数的过程，我们主要关注forward函数，主要包括如下步骤：