MMdetection3.0 问题

最新推荐文章于 2024-10-08 12:37:10 发布
最新推荐文章于 2024-10-08 12:37:10 发布
阅读量514 收藏 8
点赞数 9
分类专栏： MMdetection python 目标检测 文章标签： MMdetection3.0 python 深度学习 目标检测
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/MZYYZT/article/details/134723614
版权

MMdetection3.0 问题

希望各位路过的大佬指教一下：

问题：
1、NWPU-VHR-10有标注的数据一共650张，我将其分为了455张训练集，195张验证集。

2、然后使用MMdetection3.0框架中的Faster-rcnn网络进行训练，设置训练参数batch-size=2,num_worker=2。

3、那么问题来了：为什么下图中的画圈的地方不是【**/228 or 227】，也就是dataloader的长度，为什么就莫名其妙的是【28/28】，这个28是咋来的呢？

由于MMdetection3.0,封装度有点狠，还没debug找到为什么？能力有点拉，还请路过的各位大佬指点一下！！！！！！！！！
在这里插入图片描述

MZYYZT
关注
专栏目录
目标检测修改检测框大小、粗细
qq_40502460的博客
05-27 9497
如果你的网络是用mmdetection写的，可视化预测结果时，发现框的线条太细，当输入图片太大时会看不清标注的框。 我们可以通过修改mmdtection中的一些参数来改变检测框的颜色、粗细以及字体的大小。 改变检测框的颜色、粗细、文字大小 找到mmdet/models/detectors/base.py文件，修改class BaseDetector()中的show_result()函数的输入参数 def show_result(self, img,
MMdetection3.0 问题：DETR验证集上AP值全为0.0000
MZYYZT的博客
12-02 1079
2、在Faster-rcnn、YOLOv3模型上均能训练成功，但是在DETR训练时，出现验证指标全为0.0000的问题。1、选择的是NWPU-VHR-10数据集，其中训练集455张，验证、测试相同均为195张。是因为数据集量太小的原因吗？还是需要特别关注某些具体参数的调整呢？1、DETR验证集上AP值全为0.0000。请各位路过的大佬指教一下！
MMDetection3.0以上推理
weixin_44133371的博客
11-09 228
mmdetection3.0推理
MMDetection3.0训练自建数据集(ubuntu20.04 + miniconda)
2023年才睡醒的双非研究生
04-28 1278
为了更好地对比，当然还是用MMDetection训练自己的数据集最真实🤪。
最新版mmdetection3.0环境配置详细版win11
m0_66988867的博客
05-20 1392
上述过程是配置mmdetection环境的所有步骤，由于本人属于小白阶段，如有问题请指出，定虚心请教。
MMdetection3.0 训练DETR问题分析
MZYYZT的博客
12-12 1792
3、在MMdetection3.0框架下，直接加载修改后的detr的完整预训练权重训练测试结果见下图所示：=》警告消除，一切正常，并且修改证据权重类别后loss下降变快，val指标更好（不能说更好，只能说更正常）2、Transformer模型提出来的时候就已经说明很吃数据，所以没有足够的数据直接使用transformer训练往往效果不好，所以数据量不足的情况下，还是加载预训练权重吧。3、backbone的权重在模型的比例其实很小，主要还是后面的编码、解码器，所以只加载backbone的权重也没什么用。
mmdetection3.0总结
A_Student10000的博客
06-08 147
python tools/analysis_tools/analyze_logs.py plot_curve path_of_json.json --keys loss --out path_to_save使用coco数据集训练后结果可视化
MMDetection3.0环境配置(ubuntu20.04 + miniconda)
2023年才睡醒的双非研究生
04-28 1139
配置环境试用SOLO之后，总感觉和Mask R-CNN比还差点意思，不论是精度还是速度，好像都没有作者说的那么强😮，不清楚是不是自建数据集的限制，或者因为没有调参影响了学习效果有兴趣的可以看原文配置训练试试俗话说：没有对比就没有伤害。俗话还说：没有实践就没有发言权既然觉得有问题，那就要控制变量做对比试验🤔，发现MMDetection框架里有很多可以直接使用的实例分割网络，根据官方提示开整🧐。
MMDetection3.0以上如何在推理时不显示类名？
qq_41544842的博客
11-23 305
【代码】MMDetection3.0以上如何在推理是不显示类名？
mmdetection3.0训练自己数据集
09-08
3. 配置模型：在 mmdetection 3.0 的配置文件中选择适合您任务的模型，例如 Faster R-CNN、Mask R-CNN 等。您可以在 mmdetection 的模型库中找到相关的配置文件，并根据您的需求进行修改。 4. 修改配置文件：打开所...
mmdetection+3.0
12-12
以下是使用MMDetection 3.0进行目标检测的步骤： 1.安装MMDetection 3.0 可以通过以下命令安装MMDetection 3.0： ```shell pip install mmcv-full==1.3.10 -f ...
【mmdetection系列】mmdetection之backbone讲解
聿默的博客
12-10 1216
如果是自己来写这部分代码的话，真的是很容易，如果这个框架中有自带的backbone结构的话，那可以从其他地方找到对应的pytorch版本实现，或者自己写。
MMdetection训练voc数据集
Maggie's blog
07-22 1247
查看官方的安装文档https//mmdetection.readthedocs.io/zh_CN/latest/get_started.html#id2。MMdetection支持coco和voc数据集两种格式，也可以自定义数据集。最好使用的是coco格式，我先用的是voc格式，所以介绍一下voc格式。（2）修改模型这里的模型是你需要跑的实验的模型。从git上面下载方法，需要注意最后这个命令。1、安装MMdetection。2、准备voc格式数据集。...
MMdetection解读系列之backbone-resnet
qq_48984174的博客
12-23 3678
科普知识 ResNet mmdetection中实现此结构 arch_settings = { 18: (BasicBlock, (2, 2, 2, 2)), 34: (BasicBlock, (3, 4, 6, 3)), 50: (Bottleneck, (3, 4, 6, 3)), 101: (Bottleneck, (3, 4, 23, 3)), 152: (Bottleneck, (3, 8, 36, 3))
Python3 解释器
Java_fenxiang的博客
10-05 521
Linux/Unix的系统上，一般默认的 python 版本为 2.x，我们可以将 python3.x 安装在/usr/local/python3目录中。安装完成后，我们可以将路径/usr/local/python3/bin添加到您的 Linux/Unix 操作系统的环境变量中，这样您就可以通过 shell 终端输...
python中zip()与zip(*)的用法解析
最新发布
m0_51579041的博客
10-08 113
zip()与zip(*)的用法解析
（笔记）第三期书生·浦语大模型实战营（十一卷王场）--书生入门岛通关第2关Python 基础知识
haidizym的博客
10-02 530
学员闯关手册：https://aicarrier.feishu.cn/wiki/ZcgkwqteZi9s4ZkYr0Gcayg1n1g?课程视频：https://www.bilibili.com/video/BV1mS421X7h4/课程文档：https://github.com/InternLM/Tutorial/tree/camp3/docs/L0/Python。
解决IE中a标签中的图片有边框
weixin_41674235的博客
10-08 105
‌1、通过CSS去除边框‌：在CSS中为img标签添加border:0 none;样式，例如：img{border:0 none;这种方法适用于大多数现代浏览器‌12。3‌、通过JavaScript去除点击后的虚线框‌：在a标签中添加outline:none;和text-decoration:none;这可以同时去除点击后的虚线框和下划线‌。
评论 3
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