​

MMCV 作为深度学习基础框架的先驱，一经开源就受到了社区同学的广泛关注。然而随着深度学习任务的需求变得越来越多样化，MMCV 早期的架构设计也开始难以满足日益复杂的需求。因此 OpenMMLab 2.0 发布了新一代训练架构 MMEngine，以统一的执行引擎，灵活支持了 20 个以上的计算机视觉任务。

https://github.com/open-mmlab/mmengine​github.com/open-mmlab/mmengine

如果你刚入坑深度学习，还在苦恼于如何管理实验数据，搭建实验框架，不妨试一试 MMEngine，用最少的代码体验最丰富的功能。

如果你已经使用过 MMCV，我们强烈推荐你升级使用 MMEngine。我们广泛收集了 MMCV 开源以来，大家在使用过程中遇到的问题，并在 MMEngine 中一一解决优化。

啊，怕迁移太麻烦？不用怕，MMEngine 同样提供了详尽的迁移文档，能够让大家无痛迁移。 不少小伙伴们吐槽过 MMCV 的文档过于简单，介绍不全等，MMEngine 痛定思痛，提供了超级详细的教程文档和 API 文档，助力大家快速上手 MMEngine！欢迎大家阅读交流，给出宝贵的意见。

用户文档链接：

​欢迎来到 mmengine 的中文文档！ — mmengine 0.1.0 文档

小至 typo，大至文档内容和结构，欢迎小伙伴们提出宝贵意见！如果文档中有代码示例跑不通，欢迎随时在 issue 中反馈。

更加强大的 Runner

1. 功能更全面！Runner is all you need！配置 Runner 等于配置了整个训练流程

2. 搭配更灵活！数据集和评测指标能够自由搭配，优化流程更加灵活

3. 使用更简单！构造 Runner，调用 Runner 就能完成训练验证和测试 使用 MMEngine 的 Runner，我们可以用不到 80 行代码训练 CIFAR10。

​15 分钟上手 MMEngine — mmengine 0.1.0 文档

我们既可以通过构建好的实例去初始化 Runner，也能通过配置文件初始化 Runner，乐高式的构建流程让你的深度学习任务更加灵活。

执行器（Runner） — mmengine 0.1.0 文档

更加丰富的 Hook 点位

MMEngine 归纳总结了 MMCV 开发过程中，社区同学、下游仓库提出的各种意见，重新设计了 Runner 的训练/验证/测试流程和 Hook 点位。

​

基于新的 Hook 设计，我们可以在训练、测试、验证前后，加载权重前后做一些自定义的操作，让 Hook 的功能更加丰富，此外 Hook 的各个点位也会接受更多参数，让我们能够在 Hook 中更加灵活的实现功能。

更加统一的模型

当你基于 MMCV 开发项目时：

• 是否苦恼于不知道应该实现模型的哪些接口？

• 是否疑惑于模型接口的标准是什么，怎么实现接口才符合设计规范？

• 是否疲于 ctrl c ctrl v 拷贝模型通用的功能代码？

赶快来体验 MMEngine 吧！BaseModel 提供了模型的通用接口，也约定了每个接口的规范，让自定义模型继承 BaseModel，并且按照接口规范去实现模型，相信会有更加流畅的开发体验！

如下图所示，模型的输入输出需要满足数据加载器、评测器、优化器封装的接口约定，因此 BaseModel 定义了 model 和各个模块之间的接口规范：

​

模型和各个模块之间具体的数据流详见用户文档：

模型（Model） — mmengine 0.1.0 文档

更加通用的优化器封装

如果你之前使用 MMCV 开发自己的项目，会发现要想开启混合精度训练，需要同时配置多个模块，例如给模型设置 fp16_enabled 、启用 Fp16OptimizerHook，还需要给模型的各个接口加上类似 auto_fp16 的装饰器，少写一处都会无法顺利开启混合精度训练。

如果你是 MMGeneration、MMEditing 的用户，并且对 MMDetection 或 MMClassification 等算法库有着一定了解，可能会抱怨，为啥我不能在 MMGeneration 中使用 MMCV 里实现的各种各样的 OptimizerHook 呢，还需要在模型代码里实现混合精度训练、梯度累加等逻辑。

MMEngine 的优化器封装（OptimWrapper ）解决了上述问题：

​

MMEngine 同样提供了 OptimWrapper 的详细图文攻略，包你无痛上手！

优化器封装（OptimWrapper） — mmengine 0.1.0 文档

更加灵活的参数调度器：scheduler

MMCV-1.x、PyTorch 里实现了的调度器，MMEngine 全都有（不仅支持学习率调整，也支持动量调整）

​

不仅如此，MMEnine 实现的调度器还支持调度器之间的自由组合。

更加灵活的模型精度评测

在模型验证和模型测试中，通常需要对模型精度做定量评测。在 OpenMMLab 1.0 中，模型的精度验证是和 dataset 绑定的，这就对切换评测指标带来了困难。

因此，我们在 MMEngine 中实现了评测指标（Metric）和评测器（Evaluator）模块来完成模型评测，实现评测过程和数据集类的解耦。

• Metric：负责实现根据测试数据和模型预测结果，完成模型特定精度指标的计算。

• Evaluator： 类则位于 Metric 的上层，为 Metric 提供格式转换以及分布式通信的支持。

如下图所示，同一个 Evaluator 可以包含多个 Metric，使用不同的评价指标来评估模型。

看到这你或许会疑惑，Runner、Hook 这些核心组件都在 MMEngine 里实现了，那 MMCV 还有啥嘞？架构升级后，我们还能用 MMCV 做哪些事情？

在回答这个问题之前，大家不妨思考一下，OpenMMLab 的算法库里，哪个模块的代码重复率很高？没有错！那就是数据变换（pipeline）。

MMCV 2.0 归纳总结了各个算法数据变换方向的需求，实现了一系列功能强大的数据变换。除此之外，MMCV 也会有一些模块增删，下一期我们就来具体聊聊架构升级后的 MMCV，敬请期待~

GitHub - open-mmlab/mmengine: OpenMMLab Foundational Library for Training Deep Learning Models