关于运行PanopticFCN的那些事

在此粗糙的记录一下相关的过程。如果有错误,还请屏幕前的你当一回热心观众提出正解哈~

一.安装过程

四个字,曲折跌宕。作为一个深度学习门外汉,前期的环境配置和安装来来回回就挺折腾的,但最后也跑出来了就很开心。记录几个比较重要的点:

1.各路基础套件版本

nvidia driver : 470
cuda : 11.0
cudnn : 8.0.1(对应cuda就好)
pytorch 17.0

2.安装detectron2的注意点

首先,如果碰到安装失败,一定要耐心去报错信息里找问题在哪里,不要只看最后的报错信息!!!解决了报错信息之后,一定要删掉build文件夹后,再重新安装!
由于我本人只需要用预训练好的模型,给自己的test图片来做全景分割,所以就可以跳过train的环节。github上有做evaluation的命令行,注意里面的checkpoint文件路径,就是readme表格里model链接下载到的.pth文件的路径,.pth不要看他是个压缩包就去解压(不要问我为什么这么闲,扶额)

3.怎么用panopticFCN来测试自己的数据?

这里呢,其实去issues里看一看就能发现了,感谢热心的作者和提问者,给我这个门外汉省了好多事TAT,感恩!
首先,打开/path to detectron2/demo/demo.py. 把你囧囧有神的眼睛移到27行。

    # To use demo for Panoptic-DeepLab, please uncomment the following two lines.
    # from detectron2.projects.panoptic_deeplab import add_panoptic_deeplab_config  # noqa
    # add_panoptic_deeplab_config(cfg)

看到了吗?!多么善良的程序员!
按照这个依葫芦画瓢啊,在这里加上两句

    from detectron2.projects.panopticfcn.config import add_panopticfcn_config  # noqa
    add_panopticfcn_config(cfg)

最后呢,记录一下我test的命令行。目前比较郁闷的是,如果想让他自己测试一个文件夹里所有的图片文件,输出了几个结果之后就会报错cuda out of memory了。。config文件里的batch size我也改成了1(据我浅薄的知识,这个应该在train的时候会有影响,直接test的时候会有影响吗?)。 下面这个*.png就可以输出文件夹下图片们的结果,但悲伤的是输出了几个就没内存了。 这些个选项是什么,要怎么设置,可以看看demo.py里面的get_parser()函数哈。

python3 demo/demo.py --config-file projects/PanopticFCN/configs/PanopticFCN-R50-3x-FAST.yaml --input /../listfolder/*.png --output /../output/

二. 关于数据集

1.数据集标签

更新一点:
在检查类别的时候发现下面的这个方法输出的id和实际图片输出的id不是互相匹配的,最后在github上找到了官方给出的catagory_id:
Json file panoptic_coco_categories.json contains the list of all categories used in COCO panoptic segmentation challenge 2018.
‘=========
用的是coco的数据集做全景分割,自然要去了解输出结果的tensor里,那些数字id的意思了!所以找到了下面这个方法,可以在终端输出一个列表
比如说,我其实要查看的是panoptic_val2017.json这个文件里面的标签记录,我就在这个文件所在的文件夹里直接新建了一个python文件coco_catagory.py

#!/usr/bin/python

cat_2014 = './路径其实随便改/instances_val2014.json'
cat_2017 = './panoptic_val2017.json'

import sys, getopt
import json

def main(argv):
    json_file = None 
    try:
        opts, args = getopt.getopt(argv,"hy:")
    except getopt.GetoptError:
        print('coco_categories.py -y <year>')
        sys.exit(2)
    for opt, arg in opts:
        if opt == '-y':
            if(arg == '2014'):
                json_file = cat_2014
            else:
                json_file = cat_2017
    if json_file is not None:
        with open(json_file,'r') as COCO:
            js = json.loads(COCO.read())
            print(json.dumps(js['categories']))

if __name__ == "__main__":
    main(sys.argv[1:])

然后呢,在终端里运行下面的指令,就可以看到所有的标签了

python coco_catagory.py -y 2017
  • 3
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
本课程适合具有一定深度学习基础,希望发展为深度学习之计算机视觉方向的算法工程师和研发人员的同学们。基于深度学习的计算机视觉是目前人工智能最活跃的领域,应用非常广泛,如人脸识别和无人驾驶中的机器视觉等。该领域的发展日新月异,网络模型和算法层出不穷。如何快速入门并达到可以从研发的高度对新手和中级水平的学生而言面临不少的挑战。精心准备的本课程希望帮助大家尽快掌握基于深度学习的计算机视觉的基本原理、核心算法和当前的领先技术,从而有望成为深度学习之计算机视觉方向的算法工程师和研发人员。本课程系统全面地讲述基于深度学习的计算机视觉技术的原理并进行项目实践。课程涵盖计算机视觉的七大任务,包括图像分类、目标检测、图像分割(语义分割、实例分割、全景分割)、人脸识别、图像描述、图像检索、图像生成(利用生成对抗网络)。本课程注重原理和实践相结合,逐篇深入解读经典和前沿论文70余篇,图文并茂破译算法难点, 使用思维导图梳理技术要点。项目实践使用Keras框架(后端为Tensorflow),学员可快速上手。通过本课程的学习,学员可把握基于深度学习的计算机视觉的技术发展脉络,掌握相关技术原理和算法,有助于开展该领域的研究与开发实战工作。另外,深度学习之计算机视觉方向的知识结构及学习建议请参见本人CSDN博客。本课程提供课程资料的课件PPT(pdf格式)和项目实践代码,方便学员学习和复习。本课程分为上下两部分,其中上部包含课程的前五章(课程介绍、深度学习基础、图像分类、目标检测、图像分割),下部包含课程的后四章(人脸识别、图像描述、图像检索、图像生成)。
评论
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