实例分割 mask loss异常值，训练过程报错 debug记录

最新推荐文章于 2024-08-17 13:25:15 发布
最新推荐文章于 2024-08-17 13:25:15 发布
阅读量582 收藏 2
点赞数 2
分类专栏： 源码解读2 文章标签： 深度学习 人工智能 计算机视觉
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/level_code/article/details/129297104
版权
本文记录了在实例分割模型训练过程中遇到的mask loss异常值和验证报错问题的分析与解决过程。首先，通过对比发现mask loss异常可能是由于gt mask在预处理中未进行相应变换导致的，修正预处理后问题得到解决。接着，发现训练过程中的报错发生在验证阶段，原因是数据处理部分存在None值，修正后问题消除。最后，针对目标框消失的问题，检查模型结构和预处理，发现并修复了共享权重、权重初始化以及小目标过滤阈值设置不当等问题。
摘要由CSDN通过智能技术生成

实例分割包含了目标检测，和检测框里的语义分割。

在搭建好一个模型后，训练过程中遇到了mask loss异常值，目标框消失不见，validation过程报错的情况，这里记录一下对这些问题的分析过程和debug记录。

首先分析一下mask loss异常值的问题。
mask loss用的是BCE loss。
mask的值很大，几十万。

拿yolact来做一下对比。
它的mask loss只有一万多（后续处理前），那肯定我的值是不对的。

值大了很多，第一直觉是目标框可能没放对位值，导致gt mask不对。

于是选一张图片验证，原图是这样的

请添加图片描述

在yolact的mask loss部分，提取它的gt mask和gt 目标框,

在这里插入图片描述
可以看到图片是经过翻转的，目标框能和mask的目标部分对应上。

而把模型mask也这样提取出来，

了解本专栏 订阅专栏 解锁全文 超级会员免费看
蓝羽飞鸟
关注
专栏目录
订阅专栏
开源mask rcnn分割模型训练loss下降图
04-03
《开源Mask R-CNN分割模型训练Loss下降图详解》 在深度学习领域，语义分割是一种重要的任务，它要求模型能够识别图像中的每个像素所属的类别。而在众多语义分割模型中，Mask R-CNN因其在实例分割上的优异表现而备受...
21 - Transformer模型总结和loss_mask代码实现
scar2016的博客
04-04 4025
文章目录1. Transformer的特点2. Transformer的使用类型3. Transformer的结构 1. Transformer的特点 1.1 无先验假设(例如无局部关联性假设，无有序建模) 1.2 核心计算在于自注意机制，呈现平方复杂度 1.3 数据量的要求与先验假设的程度成反比 2. Transformer的使用类型 2.1 Encoder Only : Bert , 分类任务，非流式任务 2.2 Decoder Only : GPT系列，语言建模，自回归任务，流式任务 2.3 E
为什么会用到masked loss
qq_43118572的博客
07-13 2893
序列模型常常会用到padding（nn.functional.pad()），而padding添加的就是0.0。例如： def train(self, input, real_val): self.model.train() self.optimizer.zero_grad() input = nn.functional.pad(input, (1,0,0,0)) output = self.model(input)
CV党福音：YOLOv8实现实例分割（三）之损失函数
最新发布
pengxiang1998的博客
08-17 6060
本章梳理了预测结果与真值的损失计算过程，可以加深我们对模型训练的理解。
文本摘要项目中对loss进行mask处理，损失为0的，代表不进行梯度更新，打pad后的＜PAD＞如何处理？
人工智能
07-08 565
文本摘要项目中对loss进行mask处理，损失为0的，代表不进行梯度更新，打pad后的如何处理？ mask是由0,1组成的与loss相同shape的矩阵，loss_ = loss_ * mask 就代表着用已经算好的loss对其进行遮掩，遮掩掉’’ 、''对应的loss值，这样就对应位置loss值为0，代表着这部分不进行梯度的更新。loss值为0，就代表。所以该权重没有更新。
mask的用法
YasmineC的博客
03-30 3768
之前无数次遇见mask，这次总算搞懂了，简单总结下： 控制损失中不同样本的分量 假设损失是对N个样本的单独损失求和，而网络对某些样本的预测已经足够精确了，这时候就可以利用mask（我也不懂为什么要叫mask）控制损失计算时，不同样本的权重，让损失更关注结果差的样本 masks = torch.zeros(len(index)).float().cuda() # 创建masks for m in range(len(masks)): iou = get_iou(index[m], gt_index[m]
pytorch 语义分割loss_关于pytorch语义分割二分类问题的两种做法
weixin_39640157的博客
12-20 796
形式1：输出为单通道分析即网络的输出 output 为 [batch_size, 1, height, width] 形状。其中 batch_szie 为批量大小，1 表示输出一个通道，height 和 width 与输入图像的高和宽保持一致。在训练时，输出通道数是 1，网络得到的 output 包含的数值是任意的数。给定的 target ，是一个单通道标签图，数值只有 0 和 1 这两种。为了让...
深度学习之实例分割-MaskRCNN
02-24
本文来自于csdn，本文章主要通过实验来讲解深度学习FasterRCNN框架的实例分割任务以及RoIAlign操作，希望对您的学习有所帮助。基于FasterRCNN框架，在最后同分类和回归层，增加了实例分割任务...
Mask R-CNN图像实例分割实战：训练自己的数据集
06-14
Mask R-CNN是一种基于深度学习的图像实例分割方法，可对物体进行目标检测和像素级分割。 本课程将手把手地教大家使用VIA图像标注工具制作自己的数据集，并使用Mask R-CNN训练自己的数据集，从而能开展自己的图像分割...
在Pytorch中使用Mask R-CNN进行实例分割操作
09-16
【PyTorch中使用Mask R-CNN进行实例分割】 实例分割是计算机视觉领域的一个关键任务，它旨在识别图像中每个像素所属的对象实例。不同于语义分割，实例分割不仅标识像素的类别，还能区分同一类的不同实例。Mask R-...
BCE loss和 CE理解
Blankit1的博客
08-19 1万+
BCE loss pytorch官网链接 BCE loss：Binary Cross Entropy Loss pytorch中调用如下。设置weight,使得不同类别的损失权值不同。 其中x是预测值，取值范围(0,1), target是标签，取值为0或1. 在Retinanet的分类部分最后一层的激活函数用的是sigmoid，损失函数是BCE loss.BCE loss可以对单个类别进行求损失，配合sigmoid（每个类别单独求概率，不同类别间互不影响）。相当于是把每个类别都看成了二分类的问题，为后面使
Tensorflow 2.0 自定义带mask的loss function
weixin_42175217的博客
03-10 3283
在做序列预测时，常常由于输入的（文本）序列长度不同，而需要padding到固定长度，于是就带来了大量的0，在计算loss的时候其实这些0的位置是多余，它们参与的loss计算是不准确的，于是就需要创建一个带mask的loss function来剔除掉这些0对loss计算的营销。 loss_object = keras.losses.SparseCategoricalCrossentropy( ...
MASK_RCNN解读7-网络误差反向向传播总体流程2
weixin_38383886的博客
02-28 626
MASK_RCNN解读7-网络误差反向向传播总体流程2 接上一节分析，训练过程中，主要依靠模型实现了以下LOSS的输出： loss_dict['loss_classifier']：最终分类结果 loss_dict['loss_box_reg']：最终回归结果，矩形框。 loss_dict['loss_mask']：最终回归结果，多边形框。 loss_dict['loss_objectness']：...
实例分割--Mask RCNN详解（ROI Align / Loss Fun）
热门推荐
qinghuaci666的博客
07-03 5万+
1 总结架构与主要思想未完待续。。。
【实例分割】（一）Mask R-CNN详细介绍带python代码
向上生长的程序媛的博客
08-23 2479
实例分割、语义分割和目标检测都属于计算机视觉中的重要任务，但它们有着不同的应用场景和解决问题的方式。实例分割：实例分割是指对于一张图片中的每个物体，将其分割出来并打上不同的标记。即在像素级别上对每个物体进行标记，区分出不同的实体。常见的实例分割算法有Mask R-CNN等。语义分割：语义分割是指在像素级别上将一幅图像进行分类，将图片中每个像素分类到对应物体或背景中。常见的语义分割算法有FCN、U-Net、DeepLab等。目标检测：目标检测是指在图像中寻找不同的物体，并确定它们的位置和大小。
莫烦nlp-BERT双向语言模型
ronghwa_lu
03-04 968
莫烦视频：https://mofanpy.com/tutorials/machine-learning/nlp/bert/ 跳过了GPT模型；但代码里面bert模型继承了GPT模型。。。 本节不涉及莫烦对于bert的训练改进（trick），模型的任务改变，或者说标签不一样。改进版存在的问题莫烦在他的主页文字部分有详细解释。 所以这里只是介绍最基本的bert模型，它的任务和标签是什么，即怎么训练此模型。 bert是什么   BERT 和 GPT 还有 ELMo 是一个性质的东西。 它存在的意义是要变成一种
(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 1 基于重构的方法
要相信光
11-24 1万+
文章目录前言1. 基线 AE/VAE2. 基于inpainting思想2.1 SMAI (BMVC2020)2.2 SCADN (AAAI2021)2.3 RIAD (PR2021)3. 基于Memory Bank3.1 前言 在图像异常检测中，基于重构的方法是一种很自然的思想：构建一个Encoder-Decdoer结构的网络执行重构任务，目标是让模型能够重构好正常样本。那么在测试时，对于正常样本仍然能够正常重构，而异常样本由于分布的差异，导致重构效果较差，从而可以通过像素级的比较得到异常得分，判断一个样本
自建数据集系列：实例分割mask-＞语义分割mask-＞扩增mask
qq_40265247的博客
12-23 5142
前言 在之前文章，解决了实例mask->二值mask的处理： 但在实际的模型处理中，语义分割占有重要的比重，可剔除不确定类别，进而生成对应图片融入类别信息的语义mask： 方法 addClassColor.py COCO_CATEGORIES = [ {"color": [220, 20, 60], "isthing": 1, "id": 1, "name": "BatFish"}, {"color": [119, 11, 32], "isthing": 1, "id": 2, "n
【实例分割】3、Mask Scoring R-CNN
呆呆的猫的博客
05-08 2974
摘要 实例分割的很多框架中，实例分类的置信度被当做mask质量的衡量指标 mask的质量常被量化为 ： 实例mask和真值的 IoU，而与分类置信度没有很大的关联 本文提出了 Mask Scoring R-CNN，包含一个网络快来学习预测实例mask的好坏 本文网络将 实例特征 和 对应的预测mask 综合起来，来回归 mask 的 IoU Mask scoring 策略 将校正Mask 质量和M......
评论
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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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