解决 mmdetection 报错 KeyError：‘iscrowd‘、KeyError：‘segmentation‘

最新推荐文章于 2025-01-04 12:02:36 发布
最新推荐文章于 2025-01-04 12:02:36 发布
阅读量913 收藏 11
点赞数 9
文章标签： computer vision python
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/closejudge/article/details/134729578
版权
文章讲述了在使用mmdetection处理自定义数据集时遇到的错误，常见原因是coco.json文件中segmentation字段未给出有效值。解决方法是确保在数据集转换时提供这些字段的相应值。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

自定义数据集时报错提示如下：
请添加图片描述
解决：多半是在生成coco.json文件时没有给出字段相应的值，mmdetection在运行时会对这两个值进行检查。在数据集转换时显示给定为空即可。

# annotation 列表中给定
"segmentation": [
    []
   ],
"iscrowd": 0
closejudge
关注
《Python基础教程》内容总览篇（持续更新中）
weixin_43178406的博客
08-26 30万+
大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮助新手快速入门。个人精心开设的《Python基础课程》专栏订阅量接近900，帮助不少同学解决了Bug。
【 书生·浦语大模型实战营】学习笔记（六）：Lagent & AgentLego 智能体应用搭建
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
05-03 1393
本篇笔记内容主要为 【书生·浦语大模型实战营】作业（六）：Lagent & AgentLego 智能体应用搭建智能体的笔记 ，主要对智能体应用理论部分及具体搭建流程详细介绍，并分别进行实战应用及可视化展示，欢迎大家交流学习！
mmdetection学习记录之报错解决汇总
qq_42642142的博客
02-20 2782
报错1： RuntimeError: Expected to have finished reduction in the prior iteration before starting a new one. This error indicates that your module has parameters that were not used in producing loss. You can enable unused parameter detection by (1) passing th
[pycocotools修改]cocoeval.py
weixin_30399871的博客
12-12 1740
__author__ = 'tsungyi' import numpy as np import datetime import time from collections import defaultdict from . import mask as maskUtils import copy import logging class COCOeval: ...
KeyError: ‘segment_ids paddlehub中出现segement_ids错误解决方案
古月哲亭
08-09 745
examples.append((encoded_inputs[‘input_ids’], encoded_inputs[‘segment_ids’])) KeyError: ‘segment_ids’ 找到源代码：输出encoded_inputs 将segments_ids改成 token_type_ids解决问题
【MMDetection系列】遇到的BUG汇总
Fate_serendipity的博客
04-15 2407
记录在学习使用mmdetection框架时，遇到的一些bug，随时补充。本文初始环境配置为：cuda：10.1。
mmdetection 常见问题及错误记录
01-06
1、GPU下出现/pytorch/aten/src/ATen/native/cuda/IndexKernel.cu:53: lambda [](int)->auto::operator()(int)->auto: block: [9,0,0], thread: [32,0,0] Assertion `index >= -sizes[i] && index < sizes[i] && index out of bounds` failed.问题 GPU上运行神经网络模型，是使用多线程并行加速的，如果出错，真正的错误信息很容易被cuda的错误信息淹没，所以难以看到错误信息，一般引起问题的原因是
Pytorch-gpu在学校服务器上的配置mmdetection环境
不知名的梁某的博客
07-13 1053
Pytorch-gpu在学校服务器上的配置TSD环境 环境删除： conda remove -n 环境名 --all 环境创建： conda create -n 环境名 python=3.6 环境创建前重置源配置： conda config --remove-key channels 环境创建后激活环境： conda activate 环境名 重新添加清华源： conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anac
新手学习yolov8目标检测小记2--对比实验中经典模型库MMDetection使用方法（使用自己的数据集训练，并转换为yolo格式评价指标）
qq_42041632的博客
01-04 1598
对比实验中经典模型库MMDetection使用方法（使用自己的数据集训练，并转换为yolo格式评价指标）
MMDetection的学习与应用
beishang0031的博客
12-20 652
mmdetection的学习与应用1. mmdetection2. mmdetection的安装与配置3. mmcv4. mmdetection中Single-stage Methods之SSD 1. mmdetection 2. mmdetection的安装与配置 3. mmcv 4. mmdetection中Single-stage Methods之SSD
如果自定义coco数据集中没有iscrowd字段，请使用以下代码修改cocoeval.py
weixin_42589048的博客
05-26 1260
最好不要用vim打开粘贴，会缩进导致报错。直接新建一个py文件进行替换。在Linxu环境下修改这个文件。
mmdet之训练和推理
deep_love1314的博客
06-20 4612
mmdetection的训练和推理
（三）cvat标注文件转为mmdetection可以训练的格式
m0_37737957的博客
02-09 1027
cvat标注文件转换mmdetection可以使用格式 mmdetection训练前，数据集注册
Detectron2训练自己的数据集 - - 笔记
weixin_55780832的博客
04-27 324
Detectron2在训练自己的数据集过程中遇到的问题
Exception ignored in: ＜function BufferedFile.__del__ at 0x03A9D898＞ 2022_12_10
qq_42210767的博客
12-10 1969
Exception ignored in:
目标检测数据集MSCOCO详解
qq_38410428的博客
04-03 2万+
1. 前言 介绍一下目标检测领域另外一个比较有名的数据集 MS COCO (Microsoft COCO: Common Objects in Context) . MSCOCO 数据集是微软构建的一个数据集，其包含 detection, segmentation, keypoints等任务。 MSCOCO主要是为了解决detecting non-iconic views of objects（对应常说的detection）, contextual reasoning between objects and
【DETR】训练自己的数据集-实践笔记
热门推荐
gsgs1234的博客
07-14 3万+
DETR，基于transformer的目标检测，数据集：NWPU。 训练自己的数据集实践笔记及问题总结
关于mmdetection报mmdet - ERROR - The testing results of the whole dataset is empty的错误
lkxxxxxx的博客
05-16 1712
2.配置文件错误，数据集加载错误，可以在work_dir中看生成的配置文件，从上到下仔细查看，训练集和验证集是否正确，num_classes是否正确。我就是只设置了data_root为数据集根目录，在配置文件中看发现还是之前的训练集和验证集目录，应该是没有覆盖完全。1.前期训练的epoch结果太差，基本为0，会报这个错误，可以再等模型训练验证几次，如果还是报这个错误可能为问题二。
Ubuntu系统中源码安装python
IT菜鸟
01-20 3459
Ubuntu系统中源码安装python
ERROR: Could not find a version that satisfies the requirement mmdetection (from versions: none) ERROR: No matching distribution found for mmdetection
最新发布
04-26
<think>好的，我现在需要解决用户提到的两个问题：OpenMP运行时冲突（OMP Error #15）和安装mmdetection时的依赖问题。首先，我得回顾之前给出的解决方案，并结合用户提供的引用内容来调整回答。 用户这次特别提到了引用[1]到[4]，需要参考这些内容。不过看起来引用中的信息有些可能不相关，比如引用[4]提到了图片显示问题，这可能和当前问题无关，但用户特别指出要参考，所以可能需要简要提及。不过核心还是处理OMP错误和安装依赖。 首先处理OMP Error #15。之前的回答中提到了三种方法：删除冲突文件、统一版本、临时设置环境变量。用户提供的引用[3]提到了暴力删除法，这和之前的方法1类似，但需要强调正确操作，避免误删系统文件。同时，引用[1]和[2]也提到了同样的错误，可能需要整合这些信息。 然后是关于mmdetection的安装问题。用户提到依赖缺失，这通常是因为版本不兼容或缺少某些库。需要指导用户如何正确安装，特别是结合PyTorch版本和CUDA版本，同时使用conda管理依赖以避免冲突。 需要检查用户是否混合使用了conda和pip，这容易导致库冲突。建议使用conda优先安装核心库，如PyTorch，再用pip安装mmdetection，并在必要时指定版本。 另外，用户之前的回答中提到的预防措施，如优先使用conda、避免混用安装渠道，这些需要再次强调，尤其是在安装mmdetection时。 可能还需要考虑用户的环境，比如是否在Windows系统下，因为OMP错误在Windows中较为常见。引用[3]提到的搜索删除dll文件的方法在Windows中更适用，可能需要详细说明步骤。 最后，用户可能遇到mmdetection安装时的具体错误，如编译问题或依赖库缺失，需要提供具体的安装命令和验证步骤，例如安装pycocotools等。 总结步骤： 1. 解决OMP错误：推荐删除冲突的dll文件，参考引用[3]的方法但更详细，比如具体路径和验证步骤。 2. 安装mmdetection：创建干净的conda环境，安装正确版本的PyTorch和相关依赖，再通过pip安装mmdetection，并处理可能的依赖缺失。 3. 结合用户引用内容，确保覆盖提到的解决方案，同时补充预防措施和验证方法。</think>### 全面解决 OpenMP 运行时冲突与 mmdetection 安装依赖问题 --- #### 一、OpenMP Error #15 深度解决方案 该错误本质是多个 `libiomp5md.dll` 文件被重复加载，常见于混合安装 PyTorch、MKL、OpenCV 等库时[^1][^3]。以下为整合引用[3]的优化方案： ##### **1. 精准清除冲突文件（推荐）** **操作流程**： 1. **定位所有冲突文件** - Windows 用户使用 **Everything** 工具全局搜索 `libiomp5md.dll` - 重点关注路径： ``` Anaconda3\envs\<环境名>\Library\bin\ Anaconda3\envs\<环境名>\Lib\site-packages\torch\lib\ C:\Windows\System32\ # 谨慎操作系统目录 ``` 2. **选择性保留唯一版本** - 保留 PyTorch 自带的版本（位于 `torch/lib/`） - 删除其他位置的副本（如 `Library/bin/` 或第三方库目录） ```bash # 示例：重命名 Anaconda 环境中的冲突文件 ren C:\Anaconda3\envs\mmdet\Library\bin\libiomp5md.dll libiomp5md.dll.bak ``` 3. **验证修复效果** ```bash python -c "import torch; print(torch.__config__.parallel_info())" # 正确输出应包含 "OpenMP" 且无报错 ``` ##### **2. 环境变量临时规避（仅调试）** 在代码入口添加： ```python import os os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE" # 允许重复加载[^1][^3] ``` **风险提示**：可能导致计算性能下降 10%-20%，高精度计算任务结果不可靠[^2]。 --- #### 二、mmdetection 安装与依赖完整指南 mmdetection 对 PyTorch 版本和 CUDA 版本敏感，需严格匹配依赖。 ##### **1. 创建纯净虚拟环境** ```bash conda create -n mmdet python=3.8 -y conda activate mmdet ``` ##### **2. 安装 PyTorch 与 CUDA** 根据显卡驱动选择版本（以 CUDA 11.3 为例）： ```bash conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch ``` **验证 PyTorch CUDA 支持**： ```python import torch print(torch.cuda.is_available()) # 应输出 True ``` ##### **3. 安装 mmdetection 核心依赖** ```bash # 使用 conda 安装基础科学计算库 conda install numpy scipy matplotlib pandas -y # 编译依赖（Windows 需额外安装 VS Build Tools） conda install cython pycocotools -c conda-forge ``` ##### **4. 安装 mmdetection** ```bash # 推荐从源码安装（确保版本兼容） git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection pip install -v -e . # "-v" 显示详细安装日志 ``` **关键检查点**： - 安装日志中不应出现 `libiomp5md.dll` 覆盖提示 - 若报错 `"Failed building wheel for xxx"`，需单独安装缺失包（如 `apt-get install g++` on Linux） ##### **5. 验证安装** ```python from mmdet.apis import init_detector print("MMDetection 环境验证通过！") ``` --- #### 三、预防措施与深度优化 1. **依赖隔离原则** - 使用 `conda list --export > requirements.txt` 导出精确环境配置 - 禁止混用 `conda install` 和 `pip install` 安装核心库（如 numpy、scipy） 2. **版本锁定技巧** 在 `requirements.txt` 中指定精确版本： ``` mmcv-full==1.7.1 # 必须与 mmdetection 版本匹配 opencv-python==4.5.5.64 ``` --- #### 四、常见问题排查 **Q1：安装后出现 `ImportError: cannot import name 'container_abcs'`** 👉 原因：PyTorch 版本过高，降级到 1.12 以下或修改源码适配。 **Q2：训练时提示 `CUDA out of memory`** 👉 降低 `samples_per_gpu` 参数，或在 `configs/_base_/datasets/coco_detection.py` 中调整批次大小。 --- #### 相关问题 1. 如何查看 PyTorch 当前使用的 OpenMP 版本？ 2. mmdetection 训练时出现 "KeyError: 'CLASSES'" 如何解决？ 3. 如何为 mmdetection 自定义数据集？ --- 通过上述步骤可系统性解决 OpenMP 冲突和依赖问题，若仍遇异常，建议上传完整错误日志进行定向分析。
评论 1
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