【Deeplabv3+】Ubutu18.04中使用pytorch复现Deeplabv3+第三步)-----CityscapesScripts生成自己的标签

已于 2024-01-26 21:20:45 修改
阅读量1k 收藏 30
点赞数 20
分类专栏： Deeplabv3+复现 文章标签： pytorch 人工智能 python 深度学习
于 2024-01-26 20:18:41 首次发布
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_62648611/article/details/135873393
版权

本文是在前面两篇文章的基础上，讲解如何更改训练数据集颜色，需要与前面两篇文章连起来看。

本文用于修改cityscapes数据集的标签颜色与Semankitti数据集的标签一致，对修改后的数据集进行训练。需要下载两个开发工具包和一个数据集，分别是cityscapesScripts-master、semantic-kitti-api-master和cityscapes数据集：

  • cityscapesScripts是用于检查、准备和评估 Cityscapes 数据集的脚本。下载路径：

https://github.com/mcordts/cityscapesScripts

  •  cityscapes数据集需要注册登录才能下载，下载链接：

Login – Cityscapes Dataset

下载完成后，在cityscapesScripts-master中创建一个cityscapes文件夹，将下载好的两个文件分别放入其中，解压出来的说明文件直接删除即可，最终如下图：

  • semantic-kitti-api是用于打开、可视化、处理和评估 SemanticKITTI 数据集中的点云和标签结果的帮助程序脚本。下载路径：

https://github.com/PRBonn/semantic-kitti-api

一、制作标签步骤

1.1 更改标签颜色

进入目录cityscapesScripts-master\cityscapesscripts\helpers\labels.py中修改标签颜色与semantic-kitti-api-master\config\semanic-kitti.yaml中一致。注意：semantic-kitti-api-maste中的颜色是BGR颜色，cityscapesScripts中的颜色是RGB颜色，颠倒一下

cityscapesScripts-master\cityscapesscripts\helpers\labels.py标签：

semantic-kitti-api-master\config\semanic-kitti.yaml标签：

修改后的cityscapesScripts-master\cityscapesscripts\helpers\labels.py标签，可以直接拷贝使用：

labels = [
    #       name                     id    trainId   category            catId     hasInstances   ignoreInEval   color
    Label(  'unlabeled'            ,  0 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'ego vehicle'          ,  1 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'rectification border' ,  2 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'out of roi'           ,  3 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'static'               ,  4 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'dynamic'              ,  5 ,      255 , 'void'            , 0       , False        , True         , (111, 74,  0) ),
# Label(  'ground'               ,  6 ,      255 , 'void'            , 0       , False        , True         , ( 81,  0, 81) ),
    Label(  'ground'               ,  6 ,      255 , 'void'            , 0       , False        , True         , ( 175,  0, 75) ),
# Label(  'road'                 ,  7 ,        0 , 'flat'            , 1       , False        , False        , (128, 64,128) ),
    Label(  'road'                 ,  7 ,        0 , 'flat'            , 1       , False        , False        , (255, 0,255) ),
# Label(  'sidewalk'             ,  8 ,        1 , 'flat'            , 1       , False        , False        , (244, 35,232) ),
    Label(  'sidewalk'             ,  8 ,        1 , 'flat'            , 1       , False        , False        , (75, 0,75) ),
# Label(  'parking'              ,  9 ,      255 , 'flat'            , 1       , False        , True         , (250,170,160) ),
    Label(  'parking'              ,  9 ,      255 , 'flat'            , 1       , False        , True         , (255,150,255) ),
# Label(  'rail track'           , 10 ,      255 , 'flat'            , 1       , False        , True         , (230,150,140) ),
    Label(  'rail track'           , 10 ,      255 , 'flat'            , 1       , False        , True         , (0,0,255) ),
# Label(  'building'             , 11 ,        2 , 'construction'    , 2       , False        , False        , ( 70, 70, 70) ),
    Label(  'building'             , 11 ,        2 , 'construction'    , 2       , False        , False        , ( 255, 200, 0) ),
# Label(  'wall'                 , 12 ,        3 , 'construction'    , 2       , False        , False        , (102,102,156) ),
    Label(  'wall'                 , 12 ,        3 , 'construction'    , 2       , False        , False        , (255,150,0) ),
# Label(  'fence'                , 13 ,        4 , 'construction'    , 2       , False        , False        , (190,153,153) ),
    Label(  'fence'                , 13 ,        4 , 'construction'    , 2       , False        , False        , (255,120,50) ),
# Label(  'guard rail'           , 14 ,      255 , 'construction'    , 2       , False        , True         , (180,165,180) ),
    Label(  'guard rail'           , 14 ,      255 , 'construction'    , 2       , False        , True         , (255,150,0) ),
# Label(  'bridge'               , 15 ,      255 , 'construction'    , 2       , False        , True         , (150,100,100) ),
    Label(  'bridge'               , 15 ,      255 , 'construction'    , 2       , False        , True         , (255,150,0) ),
# Label(  'tunnel'               , 16 ,      255 , 'construction'    , 2       , False        , True         , (150,120, 90) ),
    Label(  'tunnel'               , 16 ,      255 , 'construction'    , 2       , False        , True         , (255,150, 0) ),
# Label(  'pole'                 , 17 ,        5 , 'object'          , 3       , False        , False        , (153,153,153) ),
    Label(  'pole'                 , 17 ,        5 , 'object'          , 3       , False        , False        , (255,240,150) ),
# Label(  'polegroup'            , 18 ,      255 , 'object'          , 3       , False        , True         , (153,153,153) ),
    Label(  'polegroup'            , 18 ,      255 , 'object'          , 3       , False        , True         , (50,255,255) ),
# Label(  'traffic light'        , 19 ,        6 , 'object'          , 3       , False        , False        , (250,170, 30) ),
    Label(  'traffic light'        , 19 ,        6 , 'object'          , 3       , False        , False        , (50,255, 255) ),
# Label(  'traffic sign'         , 20 ,        7 , 'object'          , 3       , False        , False        , (220,220,  0) ),
    Label(  'traffic sign'         , 20 ,        7 , 'object'          , 3       , False        , False        , (255,0,  0) ),
# Label(  'vegetation'           , 21 ,        8 , 'nature'          , 4       , False        , False        , (107,142, 35) ),
    Label(  'vegetation'           , 21 ,        8 , 'nature'          , 4       , False        , False        , (0,175, 0) ),
# Label(  'terrain'              , 22 ,        9 , 'nature'          , 4       , False        , False        , (152,251,152) ),
    Label(  'terrain'              , 22 ,        9 , 'nature'          , 4       , False        , False        , (150,240,80) ),
# Label(  'sky'                  , 23 ,       10 , 'sky'             , 5       , False        , False        , ( 70,130,180) ),
    Label(  'sky'                  , 23 ,       10 , 'sky'             , 5       , False        , False        , ( 0,0,0) ),
# Label(  'person'               , 24 ,       11 , 'human'           , 6       , True         , False        , (220, 20, 60) ),
    Label(  'person'               , 24 ,       11 , 'human'           , 6       , True         , False        , (255, 30, 30) ),
# Label(  'rider'                , 25 ,       12 , 'human'           , 6       , True         , False        , (255,  0,  0) ),
    Label(  'rider'                , 25 ,       12 , 'human'           , 6       , True         , False        , (255,  40,  200) ),
# Label(  'car'                  , 26 ,       13 , 'vehicle'         , 7       , True         , False        , (  0,  0,142) ),
    Label(  'car'                  , 26 ,       13 , 'vehicle'         , 7       , True         , False        , (  100,  150,245) ),
# Label(  'truck'                , 27 ,       14 , 'vehicle'         , 7       , True         , False        , (  0,  0, 70) ),
    Label(  'truck'                , 27 ,       14 , 'vehicle'         , 7       , True         , False        , (  80,  30, 180) ),
# Label(  'bus'                  , 28 ,       15 , 'vehicle'         , 7       , True         , False        , (  0, 60,100) ),
    Label(  'bus'                  , 28 ,       15 , 'vehicle'         , 7       , True         , False        , (  100, 80,250) ),
# Label(  'caravan'              , 29 ,      255 , 'vehicle'         , 7       , True         , True         , (  0,  0, 90) ),
    Label(  'caravan'              , 29 ,      255 , 'vehicle'         , 7       , True         , True         , (  0,  0, 255) ),
# Label(  'trailer'              , 30 ,      255 , 'vehicle'         , 7       , True         , True         , (  0,  0,110) ),
    Label(  'trailer'              , 30 ,      255 , 'vehicle'         , 7       , True         , True         , (  0,  0,255) ),
# Label(  'train'                , 31 ,       16 , 'vehicle'         , 7       , True         , False        , (  0, 80,100) ),
    Label(  'train'                , 31 ,       16 , 'vehicle'         , 7       , True         , False        , (  0, 0,255) ),
# Label(  'motorcycle'           , 32 ,       17 , 'vehicle'         , 7       , True         , False        , (  0,  0,230) ),
    Label(  'motorcycle'           , 32 ,       17 , 'vehicle'         , 7       , True         , False        , (  30,  60,150) ),
# Label(  'bicycle'              , 33 ,       18 , 'vehicle'         , 7       , True         , False        , (119, 11, 32) ),
    Label(  'bicycle'              , 33 ,       18 , 'vehicle'         , 7       , True         , False        , (100, 230, 245) ),
# Label(  'license plate'        , -1 ,       -1 , 'vehicle'         , 7       , False        , True         , (  0,  0,142) ),
    Label(  'license plate'        , -1 ,       -1 , 'vehicle'         , 7       , False        , True         , (  0,  0,255) ),
]

1.2 生成训练标签

1.2.1 生成labelIds标签

进入目录：cityscapesScripts-master\cityscapesscripts\preparation中

运行下面代码：

 # 运行成功后会在cityscapes数据集中生成_labelTrainIds结尾的训练文件
 python  .\createTrainIdLabelImgs.py

此时进入cityscapesScripts-master\cityscapes\gtFine\train中任何一个城市，会发现多了一个修改好的训练标签（gtFine中test、train和val中均多了一个训练标签，不一一展示）：

2.2 生成instanceIds标签

进入目录：cityscapesScripts-master\cityscapesscripts\preparation中

运行下面代码

#  # 运行成功后会在cityscapes数据集中生成_instanceTrainIds结尾的训练文件
python .\createTrainIdInstanceImgs.py

此时进入cityscapesScripts-master\cityscapes\gtFine\train中任何一个城市，会发现多了一个另一个实例训练标签，（gtFine中test、train和val中均多了一个训练标签，不一一展示）：

2.3 修改DeepLabV3Plus-Pytorch中datasets\cityscapes.py中RGB值

训练之前，修改datasets\cityscapes.py文件中标签RGB值与cityscapesScripts-master中一致，可直接使用：

修改好的标签代码如下：

CityscapesClass = namedtuple('CityscapesClass', ['name', 'id', 'train_id', 'category', 'category_id',
                                                     'has_instances', 'ignore_in_eval', 'color'])
    classes = [
        CityscapesClass('unlabeled',            0, 255, 'void', 0, False, True, (0, 0, 0)),
        CityscapesClass('ego vehicle',          1, 255, 'void', 0, False, True, (0, 0, 0)),
        CityscapesClass('rectification border', 2, 255, 'void', 0, False, True, (0, 0, 0)),
        CityscapesClass('out of roi',           3, 255, 'void', 0, False, True, (0, 0, 0)),
        CityscapesClass('static',               4, 255, 'void', 0, False, True, (0, 0, 0)),
        CityscapesClass('dynamic',              5, 255, 'void', 0, False, True, (111, 74, 0)),
    # CityscapesClass('ground',               6, 255, 'void', 0, False, True, (81, 0, 81)),
        CityscapesClass('ground',               6, 255, 'void', 0, False, True, (175, 0, 75)),
    # CityscapesClass('road',                 7, 0, 'flat', 1, False, False, (128, 64, 128)),
        CityscapesClass('road',                 7, 0, 'flat', 1, False, False, (255, 0, 255)),
    # CityscapesClass('sidewalk',             8, 1, 'flat', 1, False, False, (244, 35, 232)),
        CityscapesClass('sidewalk',             8, 1, 'flat', 1, False, False, (75, 0, 75)),
    # CityscapesClass('parking',              9, 255, 'flat', 1, False, True, (250, 170, 160)),
        CityscapesClass('parking',              9, 255, 'flat', 1, False, True, (255, 150, 255)),
    # CityscapesClass('rail track',           10, 255, 'flat', 1, False, True, (230, 150, 140)),
        CityscapesClass('rail track',           10, 255, 'flat', 1, False, True, (0, 0, 255)),
    # CityscapesClass('building',             11, 2, 'construction', 2, False, False, (70, 70, 70)),
        CityscapesClass('building',             11, 2, 'construction', 2, False, False, (255, 200, 0)),
    # CityscapesClass('wall',                 12, 3, 'construction', 2, False, False, (102, 102, 156)),
        CityscapesClass('wall',                 12, 3, 'construction', 2, False, False, (255, 150, 0)),
    # CityscapesClass('fence',                13, 4, 'construction', 2, False, False, (190, 153, 153)),
        CityscapesClass('fence',                13, 4, 'construction', 2, False, False, (255, 120, 50)),
    # CityscapesClass('guard rail',           14, 255, 'construction', 2, False, True, (180, 165, 180)),
        CityscapesClass('guard rail',           14, 255, 'construction', 2, False, True, (255, 150, 0)),
    # CityscapesClass('bridge',               15, 255, 'construction', 2, False, True, (150, 100, 100)),
        CityscapesClass('bridge',               15, 255, 'construction', 2, False, True, (255, 150, 0)),
    # CityscapesClass('tunnel',               16, 255, 'construction', 2, False, True, (150, 120, 90)),
        CityscapesClass('tunnel',               16, 255, 'construction', 2, False, True, (255, 150, 0)),
    # CityscapesClass('pole',                 17, 5, 'object', 3, False, False, (153, 153, 153)),
        CityscapesClass('pole',                 17, 5, 'object', 3, False, False, (255, 240, 150)),
    # CityscapesClass('polegroup',            18, 255, 'object', 3, False, True, (153, 153, 153)),
        CityscapesClass('polegroup',            18, 255, 'object', 3, False, True, (50, 255, 255)),
    # CityscapesClass('traffic light',        19, 6, 'object', 3, False, False, (250, 170, 30)),
        CityscapesClass('traffic light',        19, 6, 'object', 3, False, False, (50, 255, 255)),
    # CityscapesClass('traffic sign',         20, 7, 'object', 3, False, False, (220, 220, 0)),
        CityscapesClass('traffic sign',         20, 7, 'object', 3, False, False, (255, 0, 0)),
    # CityscapesClass('vegetation',           21, 8, 'nature', 4, False, False, (107, 142, 35)),
        CityscapesClass('vegetation',           21, 8, 'nature', 4, False, False, (0, 175, 0)),
    # CityscapesClass('terrain',              22, 9, 'nature', 4, False, False, (152, 251, 152)),
        CityscapesClass('terrain',              22, 9, 'nature', 4, False, False, (150, 240, 80)),
    # CityscapesClass('sky',                  23, 10, 'sky', 5, False, False, (70, 130, 180)),
        CityscapesClass('sky',                  23, 10, 'sky', 5, False, False, (0, 0, 0)),
    # CityscapesClass('person',               24, 11, 'human', 6, True, False, (220, 20, 60)),
        CityscapesClass('person',               24, 11, 'human', 6, True, False, (255, 30, 30)),
    # CityscapesClass('rider',                25, 12, 'human', 6, True, False, (255, 0, 0)),
        CityscapesClass('rider',                25, 12, 'human', 6, True, False, (255, 40, 200)),
    # CityscapesClass('car',                  26, 13, 'vehicle', 7, True, False, (0, 0, 142)),
        CityscapesClass('car',                  26, 13, 'vehicle', 7, True, False, (100, 150, 245)),
    # CityscapesClass('truck',                27, 14, 'vehicle', 7, True, False, (0, 0, 70)),
        CityscapesClass('truck',                27, 14, 'vehicle', 7, True, False, (80, 30, 180)),
    # CityscapesClass('bus',                  28, 15, 'vehicle', 7, True, False, (0, 60, 100)),
        CityscapesClass('bus',                  28, 15, 'vehicle', 7, True, False, (100, 80, 250)),
    # CityscapesClass('caravan',              29, 255, 'vehicle', 7, True, True, (0, 0, 90)),
        CityscapesClass('caravan',              29, 255, 'vehicle', 7, True, True, (0, 0, 255)),
    # CityscapesClass('trailer',              30, 255, 'vehicle', 7, True, True, (0, 0, 110)),
        CityscapesClass('trailer',              30, 255, 'vehicle', 7, True, True, (0, 0, 255)),
    # CityscapesClass('train',                31, 16, 'vehicle', 7, True, False, (0, 80, 100)),
        CityscapesClass('train',                31, 16, 'vehicle', 7, True, False, (0, 0, 255)),
    # CityscapesClass('motorcycle',           32, 17, 'vehicle', 7, True, False, (0, 0, 230)),
        CityscapesClass('motorcycle',           32, 17, 'vehicle', 7, True, False, (30, 60, 150)),
    # CityscapesClass('bicycle',              33, 18, 'vehicle', 7, True, False, (119, 11, 32)),
        CityscapesClass('bicycle',              33, 18, 'vehicle', 7, True, False, (100, 230, 245)),
        CityscapesClass('license plate',        -1, 255, 'vehicle', 7, False, True, (0, 0, 255)),
    ]

更改完成后，在DeepLabV3Plus-Pytorch-master中训练，即可得到训练后的新结果：

努力弹琴的大风天
关注
  • 20
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
deeplabv3plus在cityscapes数据集上的预训练模型
04-10
一个语义分割网络deeplabv3plus在cityscapes数据集上的预训练模型，最好的效果。.ph文件
【Deeplabv3+】Ubutu18.04中使用pytorch复现Deeplabv3+(第二步)-----cityscapes数据集训练和预测
m0_62648611的博客
03-10 1094
Deeplabv3+数据集预测
探秘Semantic Kitti API：高效自动驾驶场景理解工具
最新发布
gitblog_00012的博客
04-13 249
探秘Semantic Kitti API：高效自动驾驶场景理解工具 项目地址:https://gitcode.com/PRBonn/semantic-kitti-api Semantic Kitti API是一个开源项目，由PR Bonn团队维护，旨在为自动驾驶研究和开发提供强大的数据处理和理解工具。该项目通过利用先进的计算机视觉和深度学习技术，帮助用户对KITTI数据集中的3D激光雷达（LiDA...
deeplabv3_cityscapes_train_2018_02_06.tar.gz
11-22
deeplabv3_cityscapes_train_2018_02_06，deeplabv3权重，deeplabv3_cityscapes_train_2018_02_06，deeplabv3权重
deeplabv3模型在cityscapes数据集下训练
02-12
deeplabv3模型在cityscapes数据集下训练 原代码github网址：https://github.com/fregu856/deeplabv3.git 但是有一些bug，已经改了过来 我设置了0积分就可以下载
semantic-kitti-api:用于可视化数据集、处理数据和评估结果的 SemanticKITTI API
08-04
语义KITTI的API 此存储库包含帮助程序脚本，用于打开、可视化、处理和评估来自 SemanticKITTI 数据集的点云和标签的结果。 链接到原始数据集 链接到。 链接到 SemanticKITTI 基准。 链接到 SemanticKITTI MOS 基准（在 SemanticKITTI 网站添加 MOS 后可能会删除）。 序列 13 中的 3D 点云示例： 序列 13 中的 2D 球面投影示例： 用于语义场景完成的体素化点云示例： 数据组织 数据按以下格式组织： /kitti/dataset/ └── sequences/ ├── 00/ │   ├── poses.txt │ ├── image_2/ │
语义分割模型 DeeplabV3plus 复现代码
07-23
本资源是语义分割模型 DeeplabV3plus 的 pytorch 复现，其 backbone 包括 Xception、Resnet101 和 MobilenetV2。 项目仅提供代码，没有给出训练后的模型！
工程（二）——DeeplabV3+语义分割训练自制数据集
HUASHUDEYANJING的博客
04-04 7705
目录 1、配置环境 1.1 利用conda新建一个环境并激活 1.2 安装pytorch 1.3 更新bashrc环境 2、安装DeeplabV3 2.1 克隆代码 2.2 下载数据集和预训练模型 3、测试算法 4、制作VOC数据集 4.1 转VOC格式 4.2 项目数据准备 5、训练验证数据集 5.1 visdom可视化 5.2 训练网络 5.3 验证模型 1、配置环境 1.1 利用conda新建一个环境并激活 conda create -n deeplabv3.
cityscapes数据集的理解与使用
a1550039531的博客
05-29 4613
Cityscapes数据集是一个用于计算机视觉领域的大规模城市场景理解数据集。它提供了高分辨率的图像和精确的语义分割标注，旨在支持城市场景理解和自动驾驶等相关研究。
DeepLabv3+复现以及训练自己代码
m0_51950734的博客
07-02 1030
DeepLabv3+的Encoder的主体是带有空洞卷积的DCNN，可以采用常用的分类网络如ResNet，然后是带有空洞卷积的空间金字塔池化模块（Atrous Spatial Pyramid Pooling, ASPP)），主要是为了引入多尺度信息；在训练voc数据集时，直接将数据集放置于VOCdevkit中即可，在训练自己数据时，需要运行voc_annotation.py文件，将数据按照训练-验证-测试集分配并将标签另存。将代码Git下来之后，首先按照requirement将所需库配置完成。
CityScapes数据集介绍
qq_34424944的博客
03-14 6579
Cityperson数据集，在16年CVPR上被提出，是张姗姗一波人在CityScapes数据集上进行标注得到的行人检测数据集。有标记的前景对象绝对不能有洞，也就是说，如果有一些背景可见的“通过”一些前景对象，它被认为是前景的一部分。例如:房子或天空前面的树叶(一切都是树)，透明的车窗(一切都是汽车)。除了精细的注释，我们还与Pallas Ludens合作，为一组20 000图像提供了更粗略的多边形注释。请注意，我们的目标不是注释单个实例，而是标记覆盖单个对象的多边形。覆盖的颜色编码语义类(参见类定义)。
DeepLabV3Plus-Pytorch:DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重
05-13
DeepLabv3Plus-Pytorch DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重。 可用架构 使用“ --model ARCH_NAME”指定模型体系结构，并使用“ --output_stride OUTPUT_STRIDE”设置输出步幅。 DeepLabV3 DeepLabV3 + deeplabv3_resnet50 deeplabv3plus_resnet50 deeplabv3_resnet101 deeplabv3plus_resnet101 deeplabv3_mobilenet deeplabv3plus_mobilenet 可用型号： ， 加载预训练的模型： model . load_state_dict ( torch . load ( CKPT_PATH )[ 'model_state' ] )
deeplabv3+百度云.txt
03-22
针对cityscapes的复现， 测试的evl准确率比官方给的低了2~3个百分点， 主要对其进行了分类的修改
TurtleBot3-Burger+Ubuntu18.04+Melodic ROS 安装记录
01-06
先放张效果图，(*^__^*) 嘻嘻…… 文章目录一、硬件安装视频&资料硬件效果和三视图二、软件安装和环境搭建流程①PC端部分②Raspberry Pi部分③OpenCR参考链接 一、硬件安装视频&资料 我自己录了个小视频，链接：TurtleBot3-Burger硬件安装记录 萌新之一镜到底&手机剪辑。 这个链接有智能佳提供的装配视频和硬件清单： Turtlebot3入门教程 —— 硬件配置（ Hardware Setup ）。 官方提供的说明书手册电子版：装配资料——GitHub链接。 硬件效果和三视图 TurtleBot3 Burger 3D Model: https://goo
openssh-server -Ubuntu18.04远程服务离线安装包
05-07
sudo dpkg -i openssh-client_1%3a7.6p1-4ubuntu0.6_amd64.deb sudo dpkg -i ncurses-term_6.1-1ubuntu1.18.04_all.deb sudo dpkg -i openssh-sftp-server_1%3a7.6p1-4ubuntu0.6_amd64.deb sudo dpkg -i openssh-...
dotfiles：ubuntu 18.04，i3-gaps和polybar的配置文件
02-13
配置文件（Ubuntu 18.04，i3-gaps和Polybar） 字体：Hack Regular zsh主题：无知者 依存关系 h 罗菲 康普顿 jq（用于在bitFetcher脚本中解析json） 灯（ ） sh 上古futhark字体-> 很棒的字体5 剧本 ...
ubuntu-18.04.5 server arm64+raspi4
05-17
ubuntu-18.04.5 server arm64+raspi4
MobileNetV3-SSD:MobileNetV3-SSD用于PyTorch中的对象检测和实现
05-28
SSDMobileNetV3-SSD implementation in PyTorch关于第二个版本请移步 有测试结果希望尝试新技术请到这里 一个轻量级的目标检测包括多种模型目的Object Detection应用于目标检测环境操作系统: Ubuntu18.04Python:...
deeplabv3+街景图片语义分割，无需训练模型，看不懂也没有影响，直接使用。cityscapes
m0_48587622的博客
04-22 2688
最近做街景语义分割相关的工作，因为没有gpu训练模型，且训练的模型往往miou很低，并不如别人训练好的权重好用，所以在github找到了一个模型，具有cityscapes数据集预训练权重，不需要训练模型，不需要看懂模型，一行代码直接出语义分割之后的结果。然后用pyhton进行统计像素值，统计类别所占像素值。详细内容后面再写，先占个坑。
ubuntu18.04安装pytorch-gpu
06-28
### 回答1： 1. 首先，确保您的计算机已经安装了NVIDIA显卡驱动程序。您可以通过运行以下命令来检查： ``` nvidia-smi ``` 如果您看到了显卡信息，说明您已经安装了驱动程序。 2. 接下来，您需要安装CUDA工具包。您可以从NVIDIA官网下载适合您的CUDA版本，并按照官方文档进行安装。 3. 安装cuDNN库。您可以从NVIDIA官网下载适合您的cuDNN版本，并按照官方文档进行安装。 4. 确保您的计算机已经安装了Anaconda或Miniconda。您可以从官方网站下载并安装。 5. 打开终端，创建一个新的conda环境： ``` conda create --name pytorch-gpu python=3.7 ``` 6. 激活新环境： ``` conda activate pytorch-gpu ``` 7. 安装pytorch-gpu： ``` conda install pytorch torchvision torchaudio cudatoolkit=<your_cuda_version> -c pytorch ``` 其中，<your_cuda_version>是您安装的CUDA版本号。 8. 安装其他必要的库： ``` conda install matplotlib pandas jupyter notebook ``` 9. 安装完成后，您可以在新环境中使用pytorch-gpu了。您可以通过运行以下命令来测试： ``` python -c "import torch; print(torch.cuda.is_available())" ``` 如果输出为True，则说明您已经成功安装了pytorch-gpu。 ### 回答2： 要在Ubuntu 18.04上安装PyTorch GPU，您需要遵循以下步骤： 步骤1：安装CUDA 安装PyTorch GPU需要CUDA。按照下面的步骤安装CUDA： a） 添加PPA存储库： $ sudo add-apt-repository ppa: graphics-drivers/ppa $ sudo apt-get update b） 安装nvidia驱动程序和CUDA： $ sudo apt-get install nvidia-driver-435 $ sudo apt-get install nvidia-cuda-toolkit 步骤2：安装cuDNN cuDNN是NVIDIA深度神经网络库，提供GPU加速的功能。 a）从NVIDIA官方网站下载cuDNN的Deb文件。 b）解压缩下载的文件并将其复制到CUDA的安装目录下： $ sudo dpkg -i libcudnn7*.deb $ sudo cp -r /usr/src/cudnn_samples_v7/ $ HOME $ cd $ HOME/cudnn_samples_v7/mnistCUDNN $ make clean && make $ ./mnistCUDNN 步骤3：安装PyTorch a）安装Anaconda环境，这将帮助您管理您的Python环境。 b）创建一个名为"ml"的conda环境： $ conda create -n ml anaconda python=3.6 c）启用conda环境： $ source activate ml d）安装PyTorch： $ conda install pytorch torchvision cudatoolkit=10.1 -c pytorch 步骤4：测试您的PyTorch GPU安装 a） 启用conda环境： $ source activate ml b） 进入Python shell： $ python c）验证您的PyTorch GPU是否启用： import torch print(torch.cuda.is_available()) 如果 省略了CUDA和cuDNN，则会输出“False”，如果 安装正确，则会输出“True”。 这就是在Ubuntu 18.04上安装PyTorch GPU的过程。 ### 回答3： PyTorch是深度学习领域中最流行的框架之一，它提供了GPU加速计算的能力以加快训练速度和提高模型的准确性。Ubuntu 18.04是一种流行的Linux操作系统，可以在其上运行PyTorch GPU版本来发挥更强大的计算能力。 以下是在Ubuntu 18.04上安装PyTorch GPU的步骤： 1. 在安装PyTorch GPU之前，需要确保已安装英伟达显卡驱动程序。在Ubuntu终端中输入以下命令来安装驱动程序： sudo apt-get install nvidia-driver-410 注意：410是驱动程序的版本号，这可能会因您的显卡型号而有所不同。 2. 安装CUDA工具包。PyTorch需要CUDA来执行GPU加速计算。在安装CUDA之前，需要检查计算设备是否与CUDA兼容。在终端中输入以下命令： lspci | grep -i nvidia 如果输出显示英伟达显卡，则说明您的设备与CUDA兼容。 在安装CUDA之前，需要下载相应的安装程序： wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-10-0_10.0.130-1_amd64.deb 接着，运行以下命令安装CUDA： sudo dpkg -i cuda-10-0_10.0.130-1_amd64.deb 安装完成后，将CUDA添加到环境变量中，运行以下命令： echo 'export PATH=/usr/local/cuda-10.0/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc 3. 安装cuDNN库。cuDNN是一个GPU加速库，可以进一步加速计算。在下载cuDNN库之前，需要注册NVIDIA开发者网站并下载相应版本的cuDNN库。 运行以下命令安装cuDNN： tar -xzvf cudnn-10.0-linux-x64-v7.4.1.5.tgz sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda-10.0/lib64/ sudo cp cuda/include/cudnn.h /usr/local/cuda-10.0/include/ 4. 安装PyTorch GPU。在终端中输入以下命令安装PyTorch GPU： pip3 install torch torchvision 安装完成后，运行以下代码测试PyTorch是否成功安装设备： import torch if torch.cuda.is_available(): print('CUDA is available') else: print('CUDA is not available') 这个命令行代码应该输出`CUDA is available`，表明PyTorch可以在GPU设备上进行计算。 以上就是在Ubuntu 18.04上安装PyTorch GPU的步骤。在安装过程中，如果遇到任何问题，请仔细检查您的系统和环境变量设置。

“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
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