detectron2转onnx，自己的数据集

最新推荐文章于 2024-05-15 14:51:00 发布
最新推荐文章于 2024-05-15 14:51:00 发布
阅读量1.9k 收藏 3
点赞数 1
文章标签： 深度学习 目标检测 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/m0_49376111/article/details/124724818
版权

在tools/deploy/export_model.py注册数据集

from detectron2.data.datasets import register_coco_instances

register_coco_instances("val2017", {}, "/newhome/wangjd/annotations/instances_val2017.json",
                        "/newhome/wangjd/val2017")

修改configs下的文件，我这用的Base-RCNN-FPN.yaml
修改如下

DATASETS:
  TRAIN: ("val2017",)
  TEST: ("val2017",)

转换命令，onnx1.9及以后删除了onnx.optimizer,改为了onnxoptimizer,所以需要pip install onnxoptimizer，

 vim /newhome/wangjd/anaconda3/envs/detection/lib/python3.9/site-packages/caffe2/python/onnx/backend.py
 把里面所有的onnx.optimizer改为onnxoptimizer

./export_model.py --config-file ../../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml     --output ./output --export-method caffe2_tracing --format onnx     MODEL.WEIGHTS ../../output/model_final.pth
pl9632008
关注
Detectron2 部署 | 十一
TensorFlowNews
06-02 2060
作者|facebookresearch 编译|Flin 来源|Github 部署 Caffe2部署 我们目前支持通过ONNX将detectron2模型转换为Caffe2格式。转换后的Caffe2模型可以在Python或C ++中运行而无需detectron2依赖性。它具有针对CPU和移动设备推理优化的运行时,但不适用于GPU推理。 Caffe2转换需要PyTorch≥1.4和ONNX≥1.6。 覆盖范围 它支持最常见的3元结构：GeneralizedRCNN,RetinaNet,PanopticFPN,几乎
detectron2训练的模型怎么在windows环境下使用C++语言调用
weixin_35749545的博客
12-20 283
如果你想使用 C 语言调用在 detectron2 中训练的模型，你需要执行以下步骤： 在 detectron2 中训练模型并将其保存到磁盘。 使用 Caffe2 或 ONNX 将模型转换为可以在 C 语言中使用的格式。 使用 C 语言编写代码来加载转换后的模型，并使用模型进行预测。 为了将模型转换为 Caffe2 格式，你可以使用 detectron2 的 torch.onnx.exp...
Detectron2环境导出onnx文件
最新发布
weixin_45622871的博客
05-15 359
Detectron2环境下导出onnx
Detectron2部署教程，着重ONNX（从官网翻译）
神兽乌鸦
01-31 2097
本教程介绍如何把detectron2转为onnx
dectron2框架export导出并使用 onnx 记录
CodeInLinXu
08-13 409
python tools/deploy/export_model.py \ --sample-image /Users/gatilin/PycharmProjects/model-graphviz-plot/model_graph/detectron/000000439715.jpg \ --config-file configs/COCO-InstanceSegmentati...
torch的pth模型转换为onnx模型并对比测试
BIT_Legend的博客
02-22 2527
import torch import torch.onnx from PIL import Image import torchvision.transforms as transforms import onnxruntime as rt import numpy as np ################################################################################################################.
Detectron2 使用模型 | 六
TensorFlowNews
05-19 2468
作者|facebookresearch 编译|Flin 来源|Github 使用模型 detectron2中的模型(及其子模型)由函数,例如build_model,build_backbone,build_roi_heads构成： from detectron2.modeling import build_model model = build_model(cfg) #返回torch.nn.Module 注意,build_model仅构建模型结构,并用随机参数填充它。要将现有检查点加载到模型,请使用 De
detectron2的简介和配置
热门推荐
d948142375的博客
05-14 2万+
detectron2 前言：距离上一篇博客过了两年，几近放弃DL和RL这非常有趣的领域，近日重拾DL，在摸索中打算整理一下深度学习框架，争取做到“探索”和“利用“相统一hhh，还是要紧跟潮流啊。因为重装了一遍服务器并且更新了显卡驱动，很多基础的库需要重新安装。 detectron2简介（以下简称DET2） detectron2是facebook AI research（FAIR）重构detectron的深度学习框架，是2020年最火的深度学习框架（另外还有mmdetection，simplede..
SSD系列(1)——制作自己的COCO格式Object Instance目标检测数据集
ryERO的博客
11-15 4051
本文主要介绍COCO数据集对detection任务的封装格式，并给出多进程的封装代码
detectron2和mmdetection对比
qq_34929889的博客
10-13 5083
detectron2和mmdetection关键代码讲解detectron2整体结构介绍config配置registry机制datatrainermmdetection整体结构介绍configs配置registry机制datatrainerrunner类hook总结 detectron2 整体结构介绍 detectron2的整体代码目录如下。 configs：示例配置文件合集，包括检测分割等网络模型的配置，像faster rcnn，cascade rcnn等。 datasets：数据集准备工作，主要就是各个
多类模型转onnx工具
01-15
1 caffe转onnx 命令：python model_convert.py --model_path ./caffe_model --model_type caffe --output ./output.onnx 参数说明：model_path：caffe模型所在的文件夹，文件夹里需要有对应的.caffemodel文件和.prototxt文件 model_type：模型类型，此处固定为caffe output：输出onnx模型的文件路径 2 tensorflow(h5)转onnx 命令：python model_convert.py --model_path ./test.h5 --model_type tf-h5 --output ./output.onnx 参数说明：model_path：h5模型所在的路径(非文件夹) model_type：模型类型，此处固定为tf-h5 output：输出onnx模型的文件路径 等。
YOLOV5之TensorRT模型部署
10-26 5735
最近在研究yolov5代码，但是由于网速的原因在conda环境下配置安装环境失败，以及太多人使用conda环境安装，老是报错： conda安装库时报错Solving environment: failed with initial frozen solve. Retrying with flexible solve. pip install torch==1.6.0+cu101 torchvision==0.7.0+cu101 -f https://download.pytorch.org/whl/
detectron2配置与部署
alex1801
06-28 4646
1、配置文件 Detectron2提供了一个基于键值的配置系统，该系统可用于获取标准的常见行为。 Detectron2的配置系统使用YAML和yacs。除了访问和更新配置的基本操作外，我们还提供以下额外功能： 该配置可以具有字段，该字段将首先加载基本配置。如果存在任何冲突，则基本配置中的值将在子配置中被覆盖。我们为标准模型架构提供了一些基本配置。_BASE_:base.yaml 我们提供配置版本控制，以实现向后兼容。如果您的配置文件使用config行这样的版本进行版本控制，即使将来我们更
使用onnx包将pth文件转换为onnx文件
qq_45893319的博客
12-24 3477
本文对比一下两种pth文件转为onnx的区别以及onnx文件在NETRON中的图
tf.estimator.export_saved_model保存模型
allan2222的博客
11-26 5989
之前使用tensorflow框架做学术研究时多是生成ckpt文件，但是实际工作中，模型上线部署常用 SavedModel 保存模型，生成的模型是封闭的序列化格式，它具有语言独立性，可独立运行，并且可以简单被其他语言（python，java等）调用，SavedModel 格式是tf 2.0 推荐的格式，支持tf-serving部署，部署时很方便。好了介绍了这么多，就是希望告诉大家使用tf框架时最好直接存储成PB文件，方便之后使用。 SavedModel 我们首先看下SavedModel中都包含了什么
pytorch模型（pth，pkl）转ncnn（中介onnx）（附搭建ncnn教程）
qq_50444970的博客
08-19 4377
pytorch模型（pth，pkl）转ncnn（中介onnx）（附搭建ncnn教程） 文章目录pytorch模型（pth，pkl）转ncnn（中介onnx）（附搭建ncnn教程）部署ncnn在windows上部署ncnn（基于VS2019）在Ubuntu18.04上部署ncnnpytorch模型转onnx（以TDnet为例）onnx转ncnn 部署ncnn pytorch转ncnn是要在电脑上部署好ncnn环境，下图为可部署ncnn的平台 在windows上部署ncnn（基于VS2019） 一.安装VS2
detectron2部署
m0_49376111的博客
04-09 3052
转成caffe2需要安装以下依赖 pip install graphviz sudo apt-get install graphviz pip install pydot 较新的onnx.optimizer删除了 ， 改为了onnxoptimizer。 export_model.py修改如下 #!/usr/bin/env python # Copyright (c) Facebook, Inc. and its affiliates. import argparse import os from typin
detectron2:配置文件解析
weixin_44768052的博客
07-15 1804
detectron2的模型配置文件位于detectron2/config/defaults.py,理解配置文件就可以对detectron2中内置的一些模型进行调参。
ONNX和NCNN都是什么？
神兽乌鸦
01-28 2085
ONNX和NCNN到底是什么？
detectron2 转onnx _caffe2::batchpermutation type is missing
09-13
在运行detectron2转ONNX过程中，报错信息“_caffe2::batchpermutation type is missing”。这个错误通常表示缺少了Caffe2库中的batchpermutation类型。Caffe2是一个用于深度学习的开源框架，而Detectron2是建立在Caffe2之上的目标检测库。 出现此错误可能有两种原因。首先，可能是缺少了Caffe2库文件。解决办法是确保Caffe2库正确安装并配置，可以通过重新安装Caffe2来解决此问题。其次，可能是在转换ONNX时所使用的Detectron2版本不兼容Caffe2库的某些特定功能。解决办法是尝试使用更早或更新的Detectron2版本，或者查找其他人是否遇到了类似的问题并找到了解决方法。 总之，在转换detectron2到ONNX的过程中，出现"_caffe2::batchpermutation type is missing"的错误，可能是因为缺少了Caffe2库或版本不兼容所导致的。解决方法包括确保Caffe2库正确安装和配置，或者尝试使用不同的Detectron2版本。希望以上信息对您有所帮助。
评论 6
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