pytorch 官方教程 Penn-Fudan 数据库中对行人检测和分割 填坑

博客别人写的很棒了。

推荐:

https://blog.csdn.net/u013685264/article/details/100564660

https://blog.csdn.net/it_boy__/article/details/106376437

怕遗忘。

1,git github上东西慢,不得不注册了 码云。

2,安装pytorch的坑,用清华的镜像没成功,原来参考pytorch官网 ,多了 -c pytorch 一句,总是调用default的channel。(我这个花了一天都没成功,才发现问题)

3,cocoAPI 必须装的坑。

4,vs版本低,我是2010,又装了2019。

4,references/detection/在哪?

6,numpy版本高了,从1.19 降到 1.16.

7,我只有cpu,cuda的Egin.py中注释掉 cuda 相关

8,多线程不能用 num_worker = 4 ,改为 = 0,才行。(后续再查)

9,num_epochs = 10,实验阶段,这个设置小些,cpu下我跑了2小时,才跑完,测试也不敢关掉,好不容易出来的系数啊。(笑)

10,matplotlib无法在GUI上显示,加了句matplotlib.use('TkAgg'),弹窗显示了。

总之,周末两天,总是跑出来个流程,用闺女的图片,可以分割出来了。

果断保存模型和权重,理顺流程,再下手做更多。 

 

Pytorch Mask R-CNN是一种用于目标检测和实例分割深度学习模型。它基于PyTorch框架,并结合了Faster R-CNN和Mask R-CNN两个模型的优点。引用[1]提到了Pytorch mask-rcnn的实现细节分享,可以作为参考。 在使用Pytorch Mask R-CNN之前,首先需要下载Penn-Fudan数据库,并了解其文件结构。引用展示了一张图片及其对应的mask图片。在这个示例,使用PIL库加载并显示了一张图片和对应的mask。此外,通过设置mask的调色板,定义了背景和不同目标的颜色。 要使用Pytorch Mask R-CNN进行训练和评估,可以使用Pytorch官方提供的一些工具和文件。引用提到了参考文件references/detection/engine.py, utils.py和transforms.py。这些文件包含了训练和评估检测模型所需的方法和功能。 总结来说,Pytorch Mask R-CNN是一个用于目标检测和实例分割深度学习模型,它可以通过引用的实现细节分享和官方提供的工具来进行使用和学习。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [Pytorch mask-rcnn 实现细节分享](https://download.csdn.net/download/weixin_38617297/12850351)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [Pytorch入门:Mask R-CNN图像实例分割迁移学习(PyTorch官方教程)](https://blog.csdn.net/qq_43360533/article/details/107853858)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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