SwinIR训练报错解决

最新推荐文章于 2024-04-13 08:16:04 发布

加斯顿工程师

最新推荐文章于 2024-04-13 08:16:04 发布

阅读量76

点赞数

分类专栏：深度学习文章标签：深度学习超分辨率重建图像处理

本文链接：https://blog.csdn.net/hsdujdjrjrj/article/details/136736169

版权

深度学习专栏收录该内容

14 篇文章 58 订阅 ¥19.90 ¥99.00

订阅专栏

swinir训练报错解决

记录swinir图像超分重建算法复现过程中的报错信息,并提供相应的解决方案

报错信息

UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at C:\actions-runner\_work\pytorch\pytorch\builder\windows\pytorch\aten\src\ATen\native\TensorShape.cpp:2895.)

了解本专栏

订阅专栏解锁全文

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

加斯顿工程师

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
SwinIR训练报错解决

记录swinir图像超分重建算法复现过程中的报错信息,并提供相应的解决方案。
复制链接

扫一扫

专栏目录

订阅专栏

SwinIR自定义训练测试代码，逻辑完整易懂

01-27

SwinIR源代码：https://github.com/JingyunLiang/SwinIR 1. 可以进行图像超分，图像去噪等，根据源代码自定义实现的训练和测试代码，并有关键注释。2. 图像去噪等改变数据路径后可以直接运行，超分需要改变取消数据集加载类中的patchsize操作。 3. 敲代码不易，希望能不吝支持，代码训练存在问题或经济有限可以私聊我。

SwinIR实战：详细记录SwinIR的训练过程

05-01

在写这边文章之前，我已经翻译了论文，讲解了如何使用SWinIR进行测试？接下来，我们讲讲如何SwinIR完成训练，有于作者训练了很多任务，我只复现其中的一种任务。

参与评论您还未登录，请先登录后发表或查看评论

YOLOv8实战中国交通标志识别

07-16

在无人驾驶中，交通标志识别是一项重要的任务。YOLOv8是前沿的目标检测技术，它基于先前 YOLO 版本在目标检测任务上的成功，进一步提升性能和灵活性。本课程将手把手地带大家使用YOLOv8训练TT100K中国交通标志数据集，完成一个多目标检测实战项目。可实时检测图像、视频、摄像头和流媒体(http/rtsp)中的交通标志，并提供PySide6开发的可视化演示界面。TT100K（Tsinghua-Tencent 100K）是一个专门用于交通标志检测的大规模数据集。该数据集由清华大学与腾讯公司联合开发。TT100K数据集包含了超过10万张图片。图片中包含了不同类型的交通标志，总计约有200,000个标签。本课程会讲述使用Python程序将TT100K数据集的格式转换成PASCAL VOC格式和YOLO格式的方法，并提供相应代码。本课程分别在Windows和Ubuntu系统上做项目演示。包括：安装软件环境（Nvidia显卡驱动、cuda和cudnn）、安装PyTorch、安装YOLOv8、 TT00K数据集数据格式转换、准备数据集（自动划分训练集和验证集）、修改配置文件、训练数据集（合适的命令参数选择）、测试训练出的网络模型和性能统计、项目可视化演示界面。本课程新增了在阿里云上使用免费GPU算力的项目实战演示流程。GPU免费算力的领取方式和阿里云平台上的项目实战操作流程可见课程视频。

【已解决】RuntimeError: CUDA error: CUBLAS_STATUS_INVALID_VALUE when calling `cublasSgemm( handle, opa, o

最新发布

小嘤熊的博客

04-13

1657

错误消息暗示一个索引t超出了按类索引的数组或张量的有效范围。这里，t应该在范围内，其中n_classes是类的数量。

actions-runner\_work\pytorch\pytorch\builder\windows\pytorch\aten\src\ATen\native\cuda\IndexKernel.c

qq_53904613的博客

05-03

3425

特别指出，果然只是在cpu上运行，那就是很正常的报错索引超出，但是在gpu运行的时候，吓死我了，我还以为出了什么大毛病呢。我却让维度换了一下，我的数据只要两维，我换的时候却指定了三维，并且我是在gpu上运行的，就报了这个错误了。其实只要注意维度和索引就可以了，我把数据改成torch.Size([32, 3, 20])，错误就解决了。我在运行pytorch的时候，出现了这样的错误，其实看到一些人又是加什么加什么。我本来的数据是torch.Size([32, 2, 20])我经过排查，最后发现只是超出了索引。

YOLOv5、YOLOv6、YOLOv7、YOLOv8——训练过程警告

retainenergy的博客

09-11

4862

YOLOv5、YOLOv6、YOLOv7、YOLOv8——训练过程中会遇到的一些错误

Torch警告

qq_39152918的博客

07-17

438

加载模型警告UserWarning: torch.meshgrid: in an upcoming release。解决办法：添加 indexing=“ij”

SwinIR超分测试改动代码

04-30

本文介绍如何使用SwinIR和预训练模型实现图像的超分。

SwinIR 详尽注释，一步步理解学习

11-11

SwinIR: Image restoration using swin transformer 论文源代码中网络模型 SwinIR，附带详尽注释，一步步理解学习。

计算数据集的RGB均值，其均值会用来作为SwinIR的数据预处理.zip

03-03

人工智能-项目实践-数据预处理

Python实现低对比度道路语义分割对比实验项目源码+模型代码

03-08

项目结构 ——models 模型代码 ——images 训练日志 ——utils 工具代码 ——lowcontrast.py 数据集代码 ——custom_transforms.py 对数据集图像的处理代码 ——AdaX.py 优化器代码 ——loss.py 损失函数代码 ——metrics.py 实验指标代码 ——utils.py 其他需要用到的代码 ——New_train.py 训练代码 ——vis.py 可视化日志代码

pytorch autograd 自动微分与梯度更新

yichudu

09-20

1165

pytorch 内置了常见 tensor 操作的求导解析解. 从 loss 到 parameter 是若干个 op 叠加起来的复合函数, 所以用链式法则逐个计算.tensor.grad_fn 记录了一个 tensor 是由何种运算产出的, 以及相应的求导解析解.

Windows系统下运行pytorch报错“页面文件太小，无法完成操作(The paging file is too small for this operation to complete.)“

u014048569的博客

05-30

4746

在Windows系统下运行pytorch程序报了如下错误： '页面文件太小，无法完成操作。 Error loading "D:\\anaconda\\envs\\py38cu112\\lib\\site-packages\\torch\\lib\\caffe2_detectron_ops_gpu.dll" or one of its dependencies.' 根据github论坛上一位大神的解释是因为Windows系统下关于dataloader的内存分配与linux系统下不同。具体可参考如下连接

解决：yolov7 RuntimeError: [enforce fail at C:\actions-runner\_work\pytorch\pytorch\builder\windows\pyt

weixin_44813538的博客

09-08

1527

在yolov7训练过程中自动终止，并报错：RuntimeError: [enforce fail at C:\actions-runner\_work\pytorch\pytorch\builder\windows\pytorch\caffe2\serialize\inline_container.cc:337] . unexpected pos 118570752 vs 118570640。

3.2 报错整理

oneself的博客

03-02

2197

3.2 报错整理

swinir 训练自己的数据集

10-16

SwinIR是一种基于深度学习的超分辨率模型，可用于训练自己的数据集。为了使用SwinIR训练自己的数据集，可以按照以下步骤进行： 1. 数据准备：收集并准备用于超分辨率训练的图像数据集。确保图像数据集包含高分辨率（HR）图像和对应的低分辨率（LR）图像对。 2. 数据预处理：对采集到的图像数据进行预处理处理和清洗工作。这可以包括裁剪、旋转、缩放、增加噪声等操作，以增加数据集的多样性和鲁棒性。 3. 数据划分：将数据集划分为训练集、验证集和测试集。通常，训练集用于模型的训练，验证集用于调整超参数和选择模型，测试集用于评估模型的性能。 4. 模型配置：根据SwinIR的模型架构和参数设置，配置训练模型。可以根据实际情况进行调整，例如选择SwinIR的不同变体或修改超参数。 5. 训练过程：使用训练集数据进行模型的训练。这涉及将LR图像输入到模型中，通过反向传播来优化模型的参数，使其能够生成高质量的超分辨率图像。 6. 模型评估：使用验证集评估训练模型的性能。可以使用一些指标，如峰值信噪比（PSNR）或结构相似性指数（SSIM），来衡量模型生成图像的质量。 7. 参数调整：根据验证集的评估结果，决定是否需要进行参数调整或模型优化。如果模型表现不佳，可以尝试调整学习率、增加训练迭代次数等。 8. 测试集评估：使用测试集最终评估经过训练和调整的模型的性能。通过对测试集图像进行超分辨率处理，并与其对应的HR图像进行比较，来评估模型的性能和效果。使用以上步骤，可以利用SwinIR训练自己的数据集，得到适用于自己数据的定制化超分辨率模型。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交