安装了mmdetection，想跑一下有几篇文章的工作。总觉得发展很快，一转眼几年时间，好多东西都变了。可再仔细看，感觉又没变啥，还是faster rcnn, ssd, yolo等，这几年变化的主要是细节上，除了detr是基于transformer的，其它的都是老思路，只是有些是改变了loss，有些是改变了特征提取层。这些年也在陆续跟进文章，可真的去动手时，还是觉得好像没有前几年的那种速度了，我刚开始做深度学习检测时，从Alex net，到r-cnn,跳跃是完成了特征描述从传统到深度学习的阶段。而后是sppnet和fast r-cnn,其实还是和r-cnn的思路。而后到了faster rcnn，（还记得faster rcnn出来后，我还和同事一起调试过想在网络上直接生成region进行分类和检测的尝试，结果模型训练不下来，就没继续，哎，当时要坚持一下说不定能有点小进步，思路很像SSD或者YOLO，还是想法不成熟，再者能力不够），以及紧接着的ssd和yolo，都完成了完全不依赖任何神经网络之外的算法了，算是完全的end-to-end了。这个过程中，每个过程都感觉是质的飞跃。
当然不是说后来的工作不牛，而是觉得现在大家的工作越做越细了，也意味着越来越难出成果了，没有我可以灌水的地方了，哈哈。
找个方向挖坑吧，感觉工作做得好detail，这种打酱油的水平好难挖出来东西了。
看mmdetection代码的时候，感觉自己给学生上python课讲的太简单了，应该多讲一些，这样自己也能对难度大的理解更深刻，虽然这样可能挂科的人更多。
不像之前caffe和fasterrcnn那样，一堆配置文件，现在是通过config.py类实现的，所有的基本上都是.py文件。而mmdetection,中有很多地方用到了mmcv，而mmcv很多又是调用torch来实现的，mmdetection有些地方也要调用torch。感觉有点绕……mmcv搞这个可能主要是为了分类，就像caffe的角色一样，faster rcnn调用caffe。但是现在是mmcv和torch共同用来起到caffe的作用。还不太明白，反正看到从模型，数据集，到优化器到训练方法，一路是各种config.py文件。反正要想修改，要小心点。