mmdetection查看日志之前一直是在用TextLoggerHook，已经觉得挺方便的了，自从用了wandb之后，发现wandb真不错，看log更方便了，回不去了。
wandb的简单配置：
wandb官网：https://wandb.ai/
wandb官方给的配置教程：MMDetection - Documentation（中文版） MMDetection - Documentation（英文版） 英文版有动态图片，比较直观。
首先你要去官网注册一个账号，然后去授权页面拿到私钥：Weights & Biases Authorize
在服务器安装wandb，并且用私钥登录
pip install wandb
wandb login
在配置文件里将log_config改为下面样式就可以了
cfg.log_config = dict(
interval=20,
hooks=[
dict(
type='MMDetWandbHook',
init_kwargs=dict(project='your_project_name', name='your_model_name'， 'tags': ['resnet50', 'sgd'] ),
interval=20,
log_checkpoint=True,
log_checkpoint_metadata=True,
num_eval_images=100)
])
下面是一些解释说明，来源于wandb官方给的配置教程。
| 名称 | 描述 |
|---|---|
| init_kwargs | (dict) 传递给 wandb.init 以启动W&B运行的 dict。一般用到的有project，name，更多的键值对可以参考：wandb.init - Documentation |
| interval | (int) 记录间隔（每k次迭代）。默认值为 50 |
| log_checkpoint | (bool) 在每次检查点间隔时将检查点保存为 W&B 工件。其可用于模型版本控制，其中各版本均为检查点。默认值为False |
| log_checkpoint_metadata | (bool) 将在验证数据上计算的评估指标与检查点，以及当前epoch一起记录为该检查点的元数据。默认值为True |
| num_eval_images | (int) 需记录的验证图像数。如果为 0，则评估将不会被记录。默认值为100 |
| bbox_score_thr | (float) 边界框分数阈值。默认值为0.3 |
完成上面简单几步之后，就可以愉快的训练了。
在Artifacts页面，你可以看到你模型的可视化输出，包括训练的模型中预测的图片，和数据集真实的图片。
点击放大按钮可以放大图片，非常方便啊。
