一、 Could not run ‘torchvision::nms‘ with arguments from the ‘CUDA‘ backend解决方法.

首先吐槽一下，mlgbdgdx，cuda、torch、torchvision版本全都是跟官网匹配上的，python3.8、3.9、3.10的版本全都试了，结果一跑模型，给我来个报错：

NotImplementedError: Could not run 'torchvision::nms' with arguments from the 'CUDA' backend. This could be because the operator doesn't exist for this backend, or was omitted during the selective/custom build process (if using custom build). If you are a Facebook employee using PyTorch on mobile, please visit https://fburl.com/ptmfixes for possible resolutions. 'torchvision::nms' is only available for these backends: [CPU, Meta, QuantizedCPU, BackendSelect, Python, FuncTorchDynamicLayerBackMode, Functionalize, Named, Conjugate, Negative, ZeroTensor, ADInplaceOrView, AutogradOther, AutogradCPU, AutogradCUDA, AutogradXLA, AutogradMPS, AutogradXPU, AutogradHPU, AutogradLazy, AutogradMeta, Tracer, AutocastCPU, AutocastCUDA, FuncTorchBatched, BatchedNestedTensor, FuncTorchVmapMode, Batched, VmapMode, FuncTorchGradWrapper, PythonTLSSnapshot, FuncTorchDynamicLayerFrontMode, PreDispatch, PythonDispatcher].

然后我参考了一位另外以为博主的解决方案，原链接如下：

深度剖析问题：Could not run ‘torchvision::nms‘ with arguments from the ‘CUDA‘ backend._could not run 'torchvision::nms' with arguments fr-CSDN博客

我照做了，但是又出现了个问题，在同目录下的两个文件，居然不能import过去，提示找不到声明，我就很无语…………，下面直接说解决方法了（可能有点废话，但就当吐槽+总结吧）

第一步：

在报错界面找到下图所示的蓝色内容：

罪魁祸首就是它！！！这个方法调用出现了问题。

第二步：

点击蓝色路径可跳转到对于文件夹，找到框选出的函数，ctrl+f可直接搜索nms，找到和下图内容对应的就行。

这个函数返回值是通过调用torchvision下的nms方法实现的，但是实际上你会发现.nms是没有声明的，也就是它根本没有以正确的形式出现，或者说根本没有。

所以需要我们解决此问题

方法有两种

方法一：上述链接中内容比较详细，我这里简要提一下，在第一步框选的路径下，创建新的文件夹，内容放在文章末尾，然后命名xx（随意），然后在上图return返回值部分，改为 return xx.nms就行了（但是我自己的这样改，还是报错，没有找到声明，我不知道如何解决qaq，浪费了n小时时间，所以有了第二个方案）

方法二：直接将下面代码中的3个函数复制到boxes.py文件中，然后注意复制的nms要改一下，不然和原文件中函数名冲突了，比如改成nms1，我是直接将最后3个函数复制过去的，如下所示，然后就成功解决了，希望遇到同样问题的伙伴能顺利解决，早日顺利完成作业！！！！

from torch import Tensor
import torch
 
 
def box_area(boxes: Tensor) -> Tensor:
    """
    Computes the area of a set of bounding boxes, which are specified by its
    (x1, y1, x2, y2) coordinates.
    Arguments:
        boxes (Tensor[N, 4]): boxes for which the area will be computed. They
            are expected to be in (x1, y1, x2, y2) format
    Returns:
        area (Tensor[N]): area for each box
    """
    return (boxes[:, 2] - boxes[:, 0]) * (boxes[:, 3] - boxes[:, 1])
 
 
def box_iou(boxes1: Tensor, boxes2: Tensor) -> Tensor:
    """
    Return intersection-over-union (Jaccard index) of boxes.
    Both sets of boxes are expected to be in (x1, y1, x2, y2) format.
    Arguments:
        boxes1 (Tensor[N, 4])
        boxes2 (Tensor[M, 4])
    Returns:
        iou (Tensor[N, M]): the NxM matrix containing the pairwise IoU values for every element in boxes1 and boxes2
    """
    area1 = box_area(boxes1)  # 每个框的面积 (N,)
    area2 = box_area(boxes2)  # (M,)
 
    lt = torch.max(boxes1[:, None, :2], boxes2[:, :2])  # [N,M,2] # N中一个和M个比较； 所以由N，M 个
    rb = torch.min(boxes1[:, None, 2:], boxes2[:, 2:])  # [N,M,2]
 
    wh = (rb - lt).clamp(min=0)  # [N,M,2]  #小于0的为0  clamp 钳；夹钳；
    inter = wh[:, :, 0] * wh[:, :, 1]  # [N,M]
 
    iou = inter / (area1[:, None] + area2 - inter)
    return iou  # NxM， boxes1中每个框和boxes2中每个框的IoU值；
 
 
def nms(boxes: Tensor, scores: Tensor, iou_threshold: float):
    """
    :param boxes: [N, 4]， 此处传进来的框，是经过筛选（NMS之前选取过得分TopK）之后， 在传入之前处理好的；
    :param scores: [N]
    :param iou_threshold: 0.7
    :return:
    """
    keep = []  # 最终保留的结果， 在boxes中对应的索引；
    idxs = scores.argsort()  # 值从小到大的 索引
    while idxs.numel() > 0:  # 循环直到null； numel()： 数组元素个数
        # 得分最大框对应的索引, 以及对应的坐标
        max_score_index = idxs[-1]
        max_score_box = boxes[max_score_index][None, :]  # [1, 4]
        keep.append(max_score_index)
        if idxs.size(0) == 1:  # 就剩余一个框了；
            break
        idxs = idxs[:-1]  # 将得分最大框 从索引中删除； 剩余索引对应的框 和 得分最大框 计算IoU；
        other_boxes = boxes[idxs]  # [?, 4]
        ious = box_iou(max_score_box, other_boxes)  # 一个框和其余框比较 1XM
        idxs = idxs[ious[0] <= iou_threshold]
 
    keep = idxs.new(keep)  # Tensor
    return keep