首页 > TAG信息列表 > mmdetection
MMDetection训练过程中不打印loss日志
在一次配置RetinaNet时，发现无loss日志输出，但是GPU显存有占用，也有计算，同时数据预处理的CPU进程也在工作。 现有方案 查找资料，现有的解决方案认为，是log打印间隔太长，所以不输出。 遂修改log间隔至1，不改变 log_config = dict( interval=1, hooks=[ # dict(type='TextLmmdetection训练的json文件可视化代码
# coding:utf-8 # 这是一个对mmdet训练结束后的json文件进行可视化的代码 # 主要是对log中记录的各种参数如:cls_loss, box_loss, mAP进行可视化 # 本方法已经经过测试，输出图片在out文件夹中 import json import matplotlib.pyplot as plt from collections import OrderedDict #MMDetection v2.0 训练自己的voc数据集
1 新建容器 进入正题 mmdetection docker环境上次已经介绍一次了 ，现在我们新建一个容器 sudo nvidia-docker run -shm-size=8g -name mm_det -it -v /train_data:/mmdetection/data nvidia-docker：新建容器能调用GPU -name : 容器名称 可自行修改 -v ：映射宿主目录到容器目录,mmdetection训练出现nan
训练出现nan 在使用MMDetection训练模型时，发现打印信息中出现了很多nan。现象是，loss在正常训练下降的过程中，突然变为nan。 梯度裁减 在模型配置中加上grad_clip: optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2)) 降低学习率 如果添加了梯度裁剪依旧出现梯度mmdetection获取最高map的epoch
自动从训练结果中获取最高的mAP所对应的epoch。 <code>import json import os ''' :param work_dir 训练结果目录 :return 最好的map对应的epoch路径 ''' def getBestEpoch(work_dir): global maxEpoch fileList = os.listdir(work_dir) for file in fileLisMMDetection训练自己的数据集过程
接着前一篇MMDetection亲测安装教程，安装好后就来尝试训练自己的数据集吧，以训练 RetinaNet 模型为例说明。 1. 准备数据集 本文采用VOC格式训练，在 mmdetection 项目中新建data文件夹，按如下组织形式存放自己的数据。 ./data └── VOCdevkit └── VOC2007 ├── AnnotatioAugFPN 环境配置
AugFPN 代码原始地址 https://github.com/Gus-Guo/AugFPN 基础环境 Ubuntu18+anaconda+cuda10.0 1. 检查gcc版本 博主只试了gcc7.3的版本 如何安装参考 https://www.jianshu.com/p/82ca5443f85c 2. conda 创建3.7.3的虚拟环境 2.1 conda create -n XXXX python==3.7.3 安结合mmdetection对Anchor和RPN的浅薄理解
看到标题肯定会想到mmdecection配置文件中下面三个参数，在训练时这三个参数是需要根据数据集和不同的网络结构进行调整的，开门见山： anchor_scales=[8] anchor_ratios=[0.5, 1.0, 2.0] anchor_strides=[4, 8, 16, 32, 64] anchor_scales：Anchor的基础尺寸的缩放比例，是控制Anchor大MMDetection源码解析：Focal loss
Focal loss在文件.\mmdet\models\losses\focal_loss.py实现,代码如下： import torch import torch.nn as nn import torch.nn.functional as F from mmcv.ops import sigmoid_focal_loss as _sigmoid_focal_loss from ..builder import LOSSES from .utils import weight_reduce_mmdetection安装教程
文章目录 一、mmdetection是什么？二、具体安装过程2.1 在anaconda中创建环境2.2 安装基础依赖2.3 安装mmdetection 三、测试mmdetection 是否安装完毕总结 一、mmdetection是什么？ mmdetection 是一个基于 PyTorch 的开源对象检测工具箱，它提供了已公开发表的多种视觉检测核mmdetection在wider face数据集上训练人脸检测网络
下载WIDER_FACE数据集 如有过期，我会不定时更新下载数据集标签文件，https://github.com/sovrasov/wider-face-pascal-voc-annotations将WIDER_train_annotations 和 WIDER_val_annotations文件名更改为Annotations，并分别放置在WIDER_train 和 WIDER_val两个文件下，并将改名前WIDswin_transfrom遇到的No module named ‘pycocotools‘解决办法
这个问题我试了各种安装方法都没有安装成功，最后仔细读了git源码 conda create -n openmmlab python=3.7 -y conda activate openmmlab conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.1 -c pytorch -y # install the latest mmcv pip install mmcv-full -fmmdetection安装
1.官网下载mmdetecion https://github.com/open-mmlab/mmdetection 2.安装mmcv-full https://github.com/open-mmlab/mmcv#installation 3.下载cocoapi https://github.com/cocodataset/cocoapi 4.安装cocoapi（python） 进入cocoapi-master/PythonAPI 输入命令python setup.p3090卡torch，mmcv，mmdetection环境配置 - 全宇宙最好
本文 本文堪称全宇宙最好的安装教程！（就是吹吹牛逼呢） 安装这个环境其实很简单，就三步： 显卡驱动 —— cuda —— torch， 安装过程中，注意版本对应就可以。 显卡驱动 sudo apt install nvidia-driver-460（如果说这里无法切换驱动) cuda版本 下载链接 https://developer.nvidia.com/cuda-mmdetection训练自己的数据集
mmdetection官方讲解 准备数据集 数据集格式一般是两种，coco和voc数据集，这里建议大家改成coco的，因为voc格式的config文件真的比较少，大部分都是coco的，而且改起来很麻烦 voc的xml文件转coco的json我已经放在这里了。 mmdetection ├── mmdet ├── tools ├── configs ├─win10 cuda11.0 conda内安装mmcv mmdetection记录
ModuleNotFoundError: No module named 'mmcv._ext'报错，不知道是否是版本不匹配的原因。换了多次pytorch和cudatoolkit版本才最终装好 1、nvcc检查cuda版本 nvidia-smi +-----------------------------------------------------------------------------+ | NVIDIA-SMI 456.71MMDetection网络结构讲解
前言 MMDetection2中大部分模型都是通过配置4个基础的组件来构造的，本篇博客主要是介绍MMDetection中的配置文件，主要内容是按照MMDetection文档进行中文翻译的，有兴趣的话建议去看原版的英文文档。 一、配置文件结构 在config/_base_文件夹下面总共有4个基础的组件，它们分别是：datammdetection_1-环境安装mmdetection2.18.0
mmdetection_1-环境安装mmdetection2.18.0 安装mmdection2.18.0版本 官方安装步骤：https://github.com/open-mmlab/mmdetection/blob/master/docs/get_started.md 环境 操作系统：ubuntu20.04 显卡：3080Ti 显卡驱动版本：470.74 cuda：11.4 安装mmdetection 创建虚拟环境 conda creaMMDetection模型微调
使用FasterRCNN训练模型时，因为做的是交通场景下的出租车识别，自己标注了一部分数据，为增强效果，先在数据集BDD100K上训练，然后在自己数据集上进行微调。 使用·faster_rcnn_r50_fpn_1x进行训练 BDD100K数据集下载地址：https://doc.bdd100k.com/download.html 模型下载地址：https:/使用mmdetection训练自己的coco数据集(免费分享自制数据集文件)
mmdetection和mmsegmentation无法加载预训练模型的问题
Openmmlab无法加载预训练模型的问题 这两天在调试mmsegmentation和mmdetection，可能是因为自己的原因，预训练模型死活加载不了预训练的模型，无法正常的索引到预训练模型的地址，最后通过降低版本的方式成功地加载了预训练模型并跑了起来，具体的流程如下： 解决过程 安装pytorch和tor【环境配置】记录使用MMdetection过程中遇到的错误
mmdetection训练出现：IndexError: list index out of range 错误 仔细检查如下三个文件： mmdetection/mmdet/datasets/voc.py：中的CLASSED变量对应的类别是否正确 mmdetection/mmdet/core/evaluation/class_names.py：voc_classes()函数返回的类别是否正确 mmdetection/configs/_bMMDetection框架学习
来源：https://www.bilibili.com/video/BV1Pp4y167x7 总体架构 mmdetection模块化设计MMDection（机翻）
MMDection 摘要 我们介绍了MMDetection，这是一个对象检测工具箱，其中包含一组丰富的对象检测和实例分割方法以及相关的组件和模块。 该工具箱从赢得了COCO Challenge 2018检测轨道的MMDet团队的代码库开始。它逐渐发展成为一个涵盖许多流行检测方法和现代模块的统一平台。 它不仅包【Win10+RTX3090】Windows下最新版本mmdetection的安装/环境配置流程
依赖项准备 执行以下安装程序时，都以管理员身份运行 Git for Windows 安装时，请勾选Git from the command line and also from 3rd-party software安装完成后，确认...\Git\cmd已添加至环境变量Path中，否则手动添加 Visual Studio Community 2019 安装时，请勾选使用C++的桌面开发安