记录贴：运行swin遇到assert palette.shape[0] == len(self.CLASSES)

最新推荐文章于 2024-05-08 19:59:37 发布

安联之夜

最新推荐文章于 2024-05-08 19:59:37 发布

阅读量553

点赞数 1

文章标签：深度学习

本文链接：https://blog.csdn.net/anlianzhiye/article/details/129464979

版权

一、原因分析

因为用的预训练模型、config文件所用的数据集是Ade20k，而默认的参数palette里的数据集是cityscapes，不一致导致的。
在这里插入图片描述

二、更改

在目录site-packages\mmseg\core\evaluation下有个文件class_name可以找到ade20k在palette里的参数被命名为ade，所以把default的参数改为ade就可以正常运行demo了。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

安联之夜

关注关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
3
评论
记录贴：运行swin遇到assert palette.shape[0] == len(self.CLASSES)

swinbug记录
复制链接

扫一扫

YOLOv7来临：论文解读附代码解析.pdf

05-20

YOLOv7的主要特点是显著提升了在保持高精度的同时，检测速度也得到了极大提升，相比前几代YOLO模型以及其他的先进检测器如YOLOv3、YOLOv4、YOLOX、Dual-Swin-T、ConvNext和SWIN-L，YOLOv7在速度上有显著优势。...

mx300swin64101ea24.exe

06-12

佳能MX300驱动，佳能MX308驱动，佳能Canon Pixma MX300打印机驱动 WIN7 64位

3 条评论您还未登录，请先登录后发表或查看评论

语义分割中图片和mask的可视化

周周周周周大帅的博客

05-17

7990

其实取标题一直以来都是一件麻烦的事，但是如果你要看下去，我想你得有一点语义分割的见解。用平常的语言描述该问题就是：语义分割出我们感兴趣的目标物，然后输出该目标物的轮廓点。做语义分割其实有很多种方法，你可以用不同的模型去train你的dataset，但是刚接触语义分割的朋友们可能会说，我该怎么分割出我想要的目标物，而不对其它部分的像素做修改？其实这件事并不复杂，一个很直觉的想法是：修改像素对应的RGB值。那怎么修改对应像素的RGB值呢？举例来说，假设你在mmsegmentation框架下用的是SegFor

语音识别（LSTM+CTC）

q6q6q的专栏

10-27

1548

完整版请微信关注“大数据技术宅”序言：语音识别作为人工智能领域重要研究方向，近几年发展迅猛，其中RNN的贡献尤为突出。RNN设计的目的就是让神经网络可以处理序列化的数据。本文笔者将陪同小伙伴们一块儿踏上语音识别之梦幻旅途，相信此处风景独好。内容目录环境准备RNN与LSTM介绍RNNLSTM语音识别介绍声学特征提取声学特征转换成音素(声学模型)音素转文本(语言模型+解码)语音识别简单实现提取WAV文...

解决AssertionError：The length of platte should not be less than ‘num_classes‘

最新发布

cD_nf的博客

05-08

328

主要报错的位置是倒数第三行和第二行代码，意思是dataset_palette的长度小于了目标检测物体的类别num_classes，所以问题出现在dataset_palette的赋值上，分析上面的dataset_palette的赋值过程，当palette == ‘random’或palette is None时，dataset_palette的长度会等于num_classes，所以将倒数第二个报错中传入的palette参数改为None。

mmsegmentation的分割结果可视化

一千零一夜的博客

04-18

4748

mmsegmentation：https://github.com/open-mmlab/mmsegmentation img--->infer,softmax,argmax--->seg def show_result(self, img, result, palette=None, win_name='', .

paddlespeech报错[ ERROR] - list index out of range

qq_37016358的博客

07-28

1987

之后如果有numpy的方法报错，也进行降级到1.23.5后可以正常访问，程序运行过程中出现的警告信息不影响程序正常返回结果。按照官方文档安装paddlepaddle后，使用paddlespeech语音合成，标点恢复功能均正常。由于paddlepaddle是根据官方推荐的安装版本，使用的2.5，引起部分库版本的不兼容。强制降低版本到2.4.2及其他一些依赖降级，就可以跑了，我的python是3.10版本的。降低paddlepaddle后可以正常使用。

Swin-Transformer.zip

12-06

Swin-Transformer图像分类实战，详见文章：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/121744503?spm=1001.2014.3001.5501

Swin Transformer v2实战：使用Swin Transformer v2实现图像分类

10-12

Swin Transformer v2解决了大型视觉模型训练和应用中的三个主要问题，包括训练不稳定性、预训练和微调之间的分辨率差距以及对标记数据的渴望。最新更改：重新适配了timm，并将更换了huggingface的国内链接。链接...

swin.edu.au-esp8266:软件开发项目——esp2866芯片项目

05-30

ESP2866芯片项目“物联网” 软件开发项目 - SWE30008 主管：拉杰什·瓦萨客户：詹姆斯·哈姆林-哈里斯这是一个顶点项目，涉及提供使用 esp8266 芯片的指南。 ESP8266是一款非常便宜（<$ 5美元）的设备，具有...

【飞桨PaddleSpeech语音技术课程】— 声音分类

小湉湉的博客

10-27

2693

【飞桨PaddleSpeech语音技术课程】— 声音分类

OpenPCDet初级教程【自定义模型、loss】

Freak16的博客

08-21

4477

OpenPCDet新手向教程，用小项目的形式记录自定义模块、网络、loss实现训练。

segmentation_models.pytorch实战：使用segmentation_models.pytorch图像分割框架实现对人物的抠图

AI浩

04-09

7814

文章目录摘要二分类语义分割的常用做法数据集segmentation_models.pytorch简介与使用一、安装二、创建模型训练测试总结摘要在前面的文章中，我提到过segmentation_models.pytorch语义分割框架，今天这篇文章向大家展示如何使用segmentation_models.pytorch实现语义分割算法。通过这篇文章，你可以学到： 1、如何使用segmentation_models.pytorch图像分割框架实现语义分割算法？ 2、如何使用和加载语义分割数据集？ 3、如何

Openpcd使用记录

ryontang的博客

09-16

560

OpenPCDet 环境搭建有了前面SECOND搭建环境的经验，OpenPCDet就容易很多首先是创建python环境，这里我选的是python=3.7 装pytorch，这里因为我准备装spconv-1.0,所以选择cuda的搭配如下： 1606 conda install --use-local pytorch-1.1.0-cuda100py37he554f03_0.tar.bz2 1607 conda install --use-local torchvision-0.3.0-cuda

mmsegmentation框架SegFormer训练自己的数据集

drunk_flowers的博客

01-13

4193

使用mmsegmentation中的SegFormer网络训练自己的数据集

问题记录： assert len(padding_value) == patch.shape[-1]AssertionError

m0_51010465的博客

04-13

134

这里padding value是默认值padding_value=[104, 116, 124]，所以显然长度为3；这里好像(b,w,h,c)应该变为(b,c,h,w)而不是(b,c,w,h)，需要注意。

成功解决[AssertionError: Input tensor input format are different]

u014264373的博客

05-29

6095

在使用tensorboard writer.add_image时 writer.add_image('img/fixed_img', denorm(fixed_img.data), 0) 报如下错误 assert(len(tensor.shape) == len(input_format)), "size of input tensor and input format are different. AssertionError: size of input tensor and input forma

多模态 | 多模态中单模态中提取特征方法（代码）

weixin_44649780的博客

05-02

1710

在多模态任务中，有一种方法时在单模态中先各自提取各模态的特征，然后进行融合，本文主要实现各模态特征的提取。

def generate(self): if self.backbone not in ['vit_b_16', 'swin_transformer_tiny', 'swin_transformer_small', 'swin_transformer_base']: self.model = get_model_from_name[self.backbone](num_classes=self.num_classes, pretrained=False) else: self.model = get_model_from_name[self.backbone](input_shape=self.input_shape, num_classes=self.num_classes, pretrained=False) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') self.model.load_state_dict(torch.load(self.model_path, map_location=device)) self.model = self.model.eval() print('{} model, and classes loaded.'.format(self.model_path)) if self.cuda: self.model = nn.DataParallel(self.model) self.model = self.model.cuda()

06-02

这段代码定义了一个名为generate的方法，用于生成分类模型。具体实现过程如下： 1. `if self.backbone not in ['vit_b_16', 'swin_transformer_tiny', 'swin_transformer_small', 'swin_transformer_base']:`：判断模型的主干网络是否为vit_b_16、swin_transformer_tiny、swin_transformer_small、swin_transformer_base中的一种，如果不是则执行下一步，否则执行else语句。 2. `self.model = get_model_from_name[self.backbone](num_classes=self.num_classes, pretrained=False)`：调用get_model_from_name函数，通过主干网络名称获取对应的分类模型，并将类别总数作为参数传递给该函数，获取的模型赋值给self.model变量。 3. `else:`：如果模型的主干网络为vit_b_16、swin_transformer_tiny、swin_transformer_small、swin_transformer_base中的一种，则执行下面的代码。 4. `self.model = get_model_from_name[self.backbone](input_shape=self.input_shape, num_classes=self.num_classes, pretrained=False)`：调用get_model_from_name函数，通过主干网络名称获取对应的分类模型，并将输入图像大小和类别总数作为参数传递给该函数，获取的模型赋值给self.model变量。 5. `device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')`：判断当前设备是否支持GPU，如果支持则使用GPU进行计算，否则使用CPU进行计算。 6. `self.model.load_state_dict(torch.load(self.model_path, map_location=device))`：从模型文件中加载模型参数，并将其赋值给self.model。 7. `self.model = self.model.eval()`：将self.model设置为评估模式，即固定住模型参数，停止模型训练。 8. `print('{} model, and classes loaded.'.format(self.model_path))`：打印模型和类别文件已经加载的信息。 9. `if self.cuda:`：如果使用GPU进行计算，则执行下面的语句。 10. `self.model = nn.DataParallel(self.model)`：将模型转换为多GPU并行计算模型。 11. `self.model = self.model.cuda()`：将模型移动到GPU上进行计算。