File “./tools/train.py“, line 124 log_file = osp.join(cfg.work_dir, f‘{timestamp}.log‘)

最新推荐文章于 2024-05-22 17:17:17 发布
最新推荐文章于 2024-05-22 17:17:17 发布
阅读量1.1k 收藏 1
点赞数 5
分类专栏： mmdetection 文章标签： mmdetection python 人工智能 bug
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AI414010/article/details/109166442
版权
在使用mmdetection进行训练时遇到错误，原因是使用了Python2.7而不是Python3。Python3.6以后开始支持f-string格式化，而旧版本不支持，导致报错。解决方案是确保在Python3环境下运行训练脚本。
摘要由CSDN通过智能技术生成

问题：
在使用mmdetection做训练时出现这样的问题。

  File "./tools/train.py", line 124
    log_file = osp.join(cfg.work_dir, f'{timestamp}.log')
                                                       ^
SyntaxError: invalid syntax
  File "./tools/train.py", line 124
    log_file = osp<
最低0.47元/天 解锁文章
AI414010
关注
专栏目录
MMdetection之train.py源码详解
weixin_45912366的博客
04-29 8985
目录 一、tools/train.py 二、源码详解 三、核心函数详解 （一）build_detector（mmdet/models/builder.py） （二）build_dataset（mmdet/datasets/builder） （三）train_detector（mmdet/apis/train.py） （四）set_random_seed： （五）get_root_logger： 一、tools/train.py 可选参数: # =========== op..
发现python2.7版本低，更改软连接后变python3.6.9 过程记录
weixin_62321285的博客
10-14 453
在docker容器里（linux）mmlab训练， 方法主要针对是python更改软连接的一些语句指令
系统学习detection源码解读-1
thehappysheep的博客
08-24 1738
知乎比较好的教程https://zhuanlan.zhihu.com/c_1159526395804725248 0.首先安装 https://zhuanlan.zhihu.com/p/88191447 应为官方不支持windows版本的，安装起来比较费劲。安装时候注意这个mmdetection和mmcv的版本匹配问题。 工程结构，红圈是主要文件。 1.mmdetection API 测试2 from mmdet.apis import init_detector, inference_.
物体检测框架之mmdetection源码阅读（1）
liqiming100的专栏
04-02 1675
通过readme不难发先单卡训练是以tools/train.py作为程序的入口。首先贴出train.py的源代码。 from __future__ import division import argparse import copy import os import os.path as osp import time import mmcv import torch from mmcv ...
def get_Image_dim_len(png_dir: str,jpg_dir:str): png = Image.open(png_dir) png_w,png_h=png.width,png.height #若第十行报错，说明jpg图片没有对应的png图片 png_dim_len = len(np.array(png).shape) assert png_dim_len==2,"提示:存在三维掩码图" jpg=Image.open(jpg_dir) jpg = ImageOps.exif_transpose(jpg) jpg.save(jpg_dir) jpg_w,jpg_h=jpg.width,jpg.height print(jpg_w,jpg_h,png_w,png_h) assert png_w==jpg_w and png_h==jpg_h,print("提示：%s mask图与原图宽高参数不一致"%(png_dir)) """2.读取单个图像均值和方差""" def pixel_operation(image_path: str): img = cv.imread(image_path, cv.IMREAD_COLOR) means, dev = cv.meanStdDev(img) return means,dev """3.分割数据集，生成label文件""" # 原始数据集 ann上一级 data_root = './work/voc_data02' #图像地址 image_dir="./JPEGImages" # ann图像文件夹 ann_dir = "./SegmentationClass" # txt文件保存路径 split_dir = './ImageSets/Segmentation' mmengine.mkdir_or_exist(osp.join(data_root, split_dir)) png_filename_list = [osp.splitext(filename)[0] for filename in mmengine.scandir( osp.join(data_root, ann_dir), suffix='.png')] jpg_filename_list=[osp.splitext(filename)[0] for filename in mmengine.scandir( osp.join(data_root, image_dir), suffix='.jpg')] assert len(jpg_filename_list)==len(png_filename_list),"提示：原图与掩码图数量不统一" print("数量检查无误") for i in range(10): random.shuffle(jpg_filename_list) red_num=0 black_num=0 with open(osp.join(data_root, split_dir, 'trainval.txt'), 'w+') as f: length = int(len(jpg_filename_list)) for line in jpg_filename_list[:length]: pngpath=osp.join(data_root,ann_dir,line+'.bmp') jpgpath=osp.join(data_root,image_dir,line+'.bmp') get_Image_dim_len(pngpath,jpgpath) img=cv.imread(pngpath,cv.IMREAD_GRAYSCALE) red_num+=len(img)*len(img[0])-len(img[img==0]) black_num+=len(img[img==0]) f.writelines(line + '\n') value=0 train_mean,train_dev=[[0.0,0.0,0.0]],[[0.0,0.0,0.0]] with open(osp.join(data_root, split_dir, 'train.txt'), 'w+') as f: train_length = int(len(jpg_filename_list) * 7/ 10) for line in jpg_filename_list[:train_length]: jpgpath=osp.join(data_root,image_dir,line+'.bmp') mean,dev=pixel_operation(jpgpath) train_mean+=mean train_dev+=dev f.writelines(line + '\n') with open(osp.join(data_root, split_dir, 'val.txt'), 'w+') as f: for line in jpg_filename_list[train_length:]: jpgpath=osp.join(data_root,image_dir,line+'.bmp') mean,dev=pixel_operation(jpgpath) train_mean+=mean train_dev+=dev f.writelines(line + '\n') 帮我把这段代码改成bmp图像可以制作数据集的代码
07-14
data_root = './work/voc_data02' image_dir="./JPEGImages" ann_dir = "./SegmentationClass" split_dir = './ImageSets/Segmentation' os.makedirs(os.path.join(data_root, split_dir), exist_ok=True) png_...
``` root_path = osp.abspath(osp.join(_file_, osp.pardir, osp.pardir)) ```
最新发布
10-05
3. `abspath(osp.join(_file_, osp.pardir, osp.pardir))`： - `osp.abspath()`：函数用于返回给定路径的绝对路径。它确保路径是从根目录开始计算的。 - `osp.join(_file_, osp.pardir, osp.pardir)`：这是一个...
if __name__ == "__main__": dataset_dir = Path(os.getenv("DETECTRON2_DATASETS", "datasets")) print('Caution: we only generate the training set!') coco_path = dataset_dir / "coco" mask_dir = coco_path / "stuffthingmaps" out_mask_dir = coco_path / "stuffthingmaps_detectron2" for name in ["train2017"]: os.makedirs((out_mask_dir / name), exist_ok=True) train_list = glob(osp.join(mask_dir, "train2017", "*.png")) for file in tqdm.tqdm(train_list): convert_to_trainID(file, out_mask_dir, is_train=True)
06-06
接着，代码遍历 COCO 数据集中的训练集 `train2017`，并逐一读取其中的实例分割标注图，调用 `convert_to_trainID` 函数将其转换成 Detectron2 模型训练所需的标注格式，并保存到 `out_mask_dir` 文件夹中。...
utils.init_distributed_mode(args) log_name = 'train.log' log_name += time.strftime('-%Y-%m-%d-%H-%M-%S') sys.stdout = loggers.Logger(osp.join(args.output_dir, log_name)) print(args)
06-08
- `sys.stdout = loggers.Logger(osp.join(args.output_dir, log_name))` 将标准输出重定向到一个名为 `log_name` 的日志文件中，日志文件的路径为 `args.output_dir`，也就是输出目录。这样，训练过程中的所有输出...
【mmdetection源码阅读一】train.py
丑小鸭
05-10 914
前言 研究方向是目标检测，最近找到该开源库，测试过其性能还是不错的，其文章链接为点击下载，github链接为点击查看，注意新版的代码链接，已经支持到了Pytorch1.5，但是截止现在，最新版的代码编译会有个错误，这个还是个开放问题，还没有解决，所以我这里用的是我前两个月下载的一个旧版本，支持Pytorch1.1+的代码库,我昨天使用Pytorch1.5编译失败也是因为以下原因，所以，我使用了Pytorch1.3+CUDA10.1配置的环境。 源码解读 这里从train.py开始介绍，一点点的阅读源
教程--从零开始使用BiSeNet（语义分割）网络训练自己的数据集
北屿的博客
07-24 6551
为了从图片分割出我们想要的特征，我们采用BiSeNet作为分割模型，并且在自己制作的数据集上进行训练测试。注：训练是在linux环境下的，Win下训练可能会有点问题。
logger.info(f‘Config: {cfg.pretty_text}‘)
qq_34425255的博客
05-22 179
这一行代码将当前配置信息打印到日志中。
mmdetection笔记
zhaodongdz的博客
03-03 737
使用Pytorch构建一个新算法时，通常包含如下几步：注册数据集：CustomDataset是MMDetection在原始的Dataset基础上的再次封装，其__getitem__()方法会根据训练和测试模式分别重定向到prepare_train_img()和prepare_test_img()函数。用户以继承CustomDataset类的方式构建自己的数据集时，需要重写load_annotations()和get_ann_info()函数，定义数据和标签的加载及遍历方式。
mmdection
qq_35661896的博客
12-22 1699
mmdection训练源码解析构建数据构建训练器 训练源码解析 mmdection通过读取configs配置文件，创建各个模块。 def parse_args(): ''' not show here ''' def main(): args = parse_args() #1、各种配置参数读取，详细参数见下图所示，列出来都包含哪些参数，想要修改哪些参数就从这里面找到对应的配置文件修改一下 cfg = Config.fromfile(args.config) if ar
Logstash将日志产生时间替换@timestamp
热门推荐
零度的博客专栏
07-02 1万+
一、跟着官网学习一下date插件      日期过滤器用于从字段中解析日期，然后使用该日期或时间戳作为事件的logstash时间戳。例如，syslog事件通常具有这样的时间戳：Bash"Apr 17 09:32:01"       你可以使用日期格式MMM dd HH：mm：ss来解析这个。日期过滤器对于排序事件和回填旧数据尤为重要。 如果您在活动中没有找到正确的日期，那么稍后搜索它们可能会排序错...
当前目录返回所需要的的上级目录
每日提升一点点
03-18 914
THIS_PATH = osp.dirname(__file__) ROOT_PATH = osp.abspath(osp.join(THIS_PATH, '..', '..')) IMAGE_PATH = osp.join(ROOT_PATH, 'data/miniimagenet/images') SPLIT_PATH = osp.join(ROOT_PATH, 'data/miniimagenet/split') THIS_path: D:/Program Files (x86)/python_p.
pytorch使用（四）训练网络
修行记
12-16 5113
pytorch使用（四）训练网络
MMDetection学习笔记-06使用MMDetection训练监测模型
www
09-14 875
MMDetection中模型大多给予coco数据集进行训练。coco数据集包含80种物体。如果我们希望模型检测到其它新类型的物体，就需要使用自定义数据集来训练模型。MMDetection支持使用自定义模型训练监测模型。 训练新模型通常有三个步骤： 支持新数据集 修改配置文件 训练模型 MMDetection有三种来支持新数据集： 将数据集整理为coco格式 将数据集整理为中间格式 直接实现新数据集的支持 这里将使用【2. 将数据集整理为中间格式】来表示数据集。 kitti_tiny的数据集见链接：
python 常用文件操作_Python常用文件操作
weixin_35866180的博客
02-03 568
这里记录一些常用的python文件的操作，方便需要的时候调用。**头文件**都是一些常用的包。```import osimport os.path as ospimport shutilimport jsonimport numpy as npimport globimport sysif sys.version_info[0] == 2:import cPickle as pickleelse:...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值