mmdetection计算参数量和计算复杂度

于 2024-04-04 20:41:35 发布
阅读量276 收藏 1
点赞数 3
文章标签： 人工智能 目标检测 机器学习
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/Is_ever/article/details/137381946
版权

参数量与图片尺寸无关

而计算复杂度（GFlops）与输入图片的尺寸有关，作比较的时候要确保，输入尺寸一致的，最新版本的mmdetection的tools/analysis_tools/get_flops.py中不支持更改输入图片尺寸，而是自己从数据集中获取大小，想要自定义输入尺寸可以按如下操作：

①找到.conda/envs/mmlab/lib/python3.8/site-packages/mmengine/analysis/print_helper.py文件

②在677行get_model_complexity_info函数的最开始加上以下两句

        input_shape=(3,640,640)
        inputs=None

Is_stefanie
关注
  • 3
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【计算机视觉 | MMDetection】关于mmdetection如何计算参数量、计算量和速度FPS
wzk4869的博客
01-12 958
【计算机视觉 | MMDetection】关于mmdetection如何计算参数量、计算量和速度FPS
MMDetection'document.pdf
01-13
MMDetection'document
mmdetection计算fps和参数量
追梦小狂魔的博客
03-10 3752
首先记住一句话：模型的参数量越小，这个模型的计算量不一定小，速度也不一定快，这句话是真对啊。新建py文件tools/analysis_tools/benchmark_voc.py。
关于mmdetection、mmrotate如何计算参数量、计算量和速度FPS
weixin_40493382的博客
12-09 8989
而有人会问Flops与GFLOPs的区别，简单来说， GFLOPs是与你的硬件配置有关，可以理解为日常生活中常用的单位：kg、m等单位，这里不必关心。而Flops就是你的模型计算量了，这里数字越大代表计算量越大。前面这一串 -m torch.distributed.launch --nproc_per_node=1 --master_port=29500 代表分布式的参数，不必深究。近几天跑完实验后，发现效果还是不错，于是开始进行模型的参数量、计算量和速度指标的计算对比，话不多说，直接上干货。
第十九章 MMDetection3D解析系列十_计算量-参数量-复杂度分析(车道线感知)
weixin_44302770的博客
10-17 240
模型复杂度有 3 个指标，分别是浮点运算量（FLOPs）、激活量（Activations）以及参数量（Parameters），它们的定义如下：浮点运算量浮点运算量不是一个定义非常明确的指标，在这里参考 detectron2 的描述，将一组乘加运算定义为 1 个 flop。激活量激活量用于衡量某一层产生的特征数量。参数量模型的参数量。
mmdetection 常用命令
weixin_NineDays66
02-09 934
mmdetection 使用
自动计算数据集的means和std.py
12-10
深度学习中自动计算图片数据集的means和std（这个主要用来CNN等模型训练时候对数据集进行transform变换）
mmdetection修改backnone
最新发布
03-26
在MMDetection中我们知道，各种文件都是通过配置来进行构建。由于我使用了新的数据集，也替换了新的网路结构，所以我新建了一个新的配置文件，名称为：detr_spinmlp_8x8_150e_mask.py 将原本是resnet的替换为我设计...
mmdetection源码注释
01-17
商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN等主流的目标检测框架，后续会加入Cascade-...
安装mmdetection心得.md
11-26
windows安装mmdetection
【mmdetection】使用coco数据集训练后结果可视化
热门推荐
qq_41627396的博客
05-15 2万+
1.开始 本文记录使用coco数据集通过mmdetection（v2.11）的cascade-rcnn模型进行训练，将结果可视化的过程 2.可视化代码 目前实现以下代码的可视化(后续不断学习不断更新) LOSS P-R曲线 mAP 以下操作都是在mmdetection根目录下进入到open-mmlab环境中进行的 (1)Loss曲线 work_dirs设置自己模型得到的log.json文件，–out后面是保存的位置以及文件名字，可以保存为jpg/png等格式 python tools/analysi
MMDetection——常用工具：模型推理、可视化分析、FLOPs和参数计算、推理速度
阿基美德的博客
07-09 7629
常用工具 1. 模型推理 官方的数据集推理格式： # single-gpu testing python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}] [--show] python tools/test.py configs/faster_rcnn_r50_fpn_1x_coco.py \ checkpoints/faster_rcnn
玩转MMDetection-MMDetection中的数据集文件、训练计划文件、运行信息文件及具体参数解读（二）
左右-HPU
04-12 1599
首先先介绍以下coco.py文件中的CocoDataset类函数，顾名思义，如果我们采用coco数据集格式，则需要调用coco.py文件，如果采用coco公共数据集则直接调用。若需要训练自己的数据集，则需要将coco.py文件下的CocoDataset类中的CLASSES中，更改为你自己数据集对应的种类，如果只有一类，切记要在一个类后加逗号。以下是coco数据集用作目标检测的数据集文件及参数解读coco_detection.py。coco数据集格式如下图所示。
mmdetection tools工具梳理
weixin_44966641的博客
05-03 9507
mmdetection tools工具梳理 mmdetection 是一个非常好用的开源目标检测框架，我们可以用它方便地训练自己的目标检测模型，mmdetection 项目仓库提供许多实用的工具来实现帮助我们进行各种测试。本篇将梳理以下 mmdetection 项目仓库 tools 目录下的各种实用工具。 测试版本： mmcv-full == 1.4.8 mmdet == 2.24.1 训练相关 tools/train.py 这个自然是最常用的，我们训练模型通常就是用这个脚本来启动，通常只需要传入配置文
玩转MMDetection-MMDetection v2 目标检测模型有用工具的使用（六）
左右-HPU
07-17 360
需要测试图像的路径。：相应的配置文件的路径。：测试所用的权重文件路径。：所用的GPU的ID号。运行demo路径下的image_demo.py代码，图像路径为demo/demo.jpg，所采用的配置文件路径为configs/faster_rcnn_r50_fpn_1x_coco.py，测试所用的权重文件路径checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth，设备采用cpu --device cpu。
参数量和计算量（Flops）公式
qq_43781887的博客
04-10 830
精简概括： 卷积核的参数数量计算公式：filter size * 前一层特征图的通道数 * 当前层filter数量 Flops（计算量）公式：卷积核的参数量 * 输出特征图的尺度
mmdetection常用参数
sunlanchang的博客
12-02 2010
有关训练模型的具体配置比如backbone选取，anchor参数配置，训练/验证，数据集，optimizer参数，迭代次数等等，都可以在configs/*.py文件中进行配置修改。train.py文件中还包括一些其他输入参数选项： work_dir 是模型checkpoint文件的输出目录，可以在configs/*.py中配置； resume_from 是指定在某个checkpoint的基础上继...
mmdetection目标检测训练过程参数解读
知北行的博客
05-19 3422
关于训练过程中日志记录的的map, 包含很多map, 如下 {"mode": "train", "epoch": 100, "iter": 400, "lr": 0.0002, "memory": 5010, "data_time": 0.01552, "loss_rpn_cls": 0.00029, "loss_rpn_bbox": 0.0016, "loss_cls": 0.01206, "acc": 99.49316, "loss_bbox": 0.01724, "loss": 0.03119, "t
mmdetection模型参数量计算
08-20
mmdetection是一个用于目标检测的开源框架，基于PyTorch实现。要计算mmdetection模型的参数量，可以按照以下步骤进行： 1. 首先，确定您要计算参数量的具体模型，例如Faster R-CNN、Mask R-CNN等。 2. 在mmdetection的配置文件中，可以找到模型的网络结构定义部分。 3. 根据网络结构定义，计算每层的参数量，并将其相加以获得总参数量。 - 对于卷积层，参数量为输入通道数乘以卷积核尺寸乘以输出通道数。 - 对于全连接层，参数量为输入特征数乘以输出特征数。 - 对于BatchNorm层、ReLU层等无参数的层，不需要计算其参数量。 4. 请注意，模型参数量的计算通常不包括可训练的偏置参数和一些额外的层（如ROI Pooling等）中的可训练参数。 具体的计算方法和参数量可能会根据不同的mmdetection模型而有所不同。因此，建议您参考mmdetection文档、配置文件或相关论文，以获取更准确的模型参数量信息。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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