-
从他们的下载站点安装基于Python 3.7.x的Anaconda或Miniconda发行版。 -
克隆存储库
git克隆 git@github.com ：4m4n5/CLIP-Litegit 创建一个conda环境并安装所有依赖项。
cd vislang-infomax光盘 conda create-n vlinfo python=3.7--文件=环境.yml conda激活vlinfo pip安装-r要求.txt 登录日志权重和偏差 运行 wandb登录 在航站楼或 进口魔杖； wandb.login（） 在python解释器中，并按照提示进行操作
COCO用于预培训。 当Detectron2用于下游任务时，此结构是兼容的。
./data/datasets/coco/ 注释/ 标题_ {火车，val}2017.json 实例_ {火车，val}2017.json 2017年培训/ #2017年列车拆分中的图像 2017年5月/ #2017年val中的图像分割 PASCAL VOC用于下游分类/检测任务
./data/datasets/VOC2007/ 注释/ 图像集/ 主要/ trainval.txt（训练值.txt） 测试.txt JPEG图像/ ImageNet用于下游微调任务
./data/datasets/imagenet/ 列车/ #每个类别一个目录，其中包含图像 val值/ #每个类别一个目录，其中包含图像 ILSVRC2012_devkit_t12.tar.gz（ILSVRC2012 _ devkit _ t12.tar.gz） iNaturalist 2018用于下游分类任务
./data/datasets/inaturalist数据集/ 2018年全年列车/ 注释/ 2018.json列车 val2018.json公司 python脚本/coco_preprocess.py\ --模式列车_伯特\ --data-root/data/datasets/coco/\ --分体式列车\ --输出数据集/序列化/ 蟒蛇训练.py\ --配置配置/sbert/from_scratch/fs_bs1024_ni250k.yaml\ --每台机器8个gpus\ --cpu工作人员0\ --checkpoints-dir保存/检查点