mmdetection框架【实战SOLOv2教程】

虚拟指尖

已于 2023-12-13 12:21:59 修改

阅读量1.2k

点赞数 4

分类专栏： AI视觉突破：YOLOv5与YOLOv7技术革新篇文章标签：机器学习人工智能

于 2023-03-19 17:28:19 首次发布

本文链接：https://blog.csdn.net/magicnnonn/article/details/129652885

版权

AI视觉突破：YOLOv5与YOLOv7技术革新篇专栏收录该内容

7 篇文章 2 订阅 ¥199.90 ¥299.90

订阅专栏

本文提供了一份使用mmdetection框架实战SOLOv2模型的详细教程，包括源码分享、环境配置、数据集配置、训练和测试步骤。源码已针对版本问题进行优化，可在多种环境中运行。训练和测试过程通过简单的命令即可完成。

摘要由CSDN通过智能技术生成

一、源码分享

踩过很多的坑，对原作者的代码做了部分更改，很多博主说版本的问题，本次修改的代码，对版本无要求，链接如下：
源码点击这里

二、环境配置

此处无过多阐述，本人是在原有的yolov7的环境下安装了几个缺少的库就可以了，也可以自己重新配置，下面贴个我的环境图：

(yolov7) C:\Users\Knight>conda list
# packages in environment at C:\software\Anaconda\envs\yolov7:
#
# Name                    Version                   Build  Channel
absl-py                   1.3

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

虚拟指尖

关注关注

4
点赞
踩
16

收藏

觉得还不错? 一键收藏
打赏
16
评论
mmdetection框架【实战SOLOv2教程】

小白式教程，实战mmdetection框架下的SOLOv2，脱坑必看教程！
复制链接

扫一扫

专栏目录

订阅专栏

tensorrt 分割_使用mmdetection2.0实现SOLOV2全新的实例分割框架

weixin_30714077的博客

01-04

1488

笔者近日在做一些实例分割到tensorrt的操作，发现，对于许多二阶段的实例分割算法，转换到另一个推理平台很麻烦，主要是这里面存在RPN的一些操作，即便是类似于CenterMask这样的模型，也需要先获取box，然后经过ROIAlign和ROIPool来得到需要的mask，这个过程不仅计算繁琐，而且很难导出到我们想要的模型格式，比如ONNX就不支持这里面的很多op。当我看到这张图的时候，...

mmdetection训练SOLOv2修改过的源码

03-19

总的来说，使用mmdetection训练修改过的SOLOv2模型需要深入理解目标检测的基本原理，熟悉mmdetection框架，以及具备一定的编程技能。通过这个过程，不仅可以掌握SOLOv2的实现细节，还能提高对深度学习模型训练和优化...

16 条评论您还未登录，请先登录后发表或查看评论

soloV2保姆级教程（含环境配置，训练自己的数据集，代码逻辑分析等。能踩得坑都踩了....）更新ing

m0_58348465的博客

01-15

1万+

首先放上开源代码链接：GitHub - WXinlong/SOLO: SOLO and SOLOv2 for instance segmentation, ECCV 2020 & NeurIPS 2020. 一.运行代码因为我们这个项目精度比较重要，所以我下载了精度最高的模型：SOLOv2_X101_DCN_3x 首先先配置环境，我选择利用pytorch新建了一个conda python3.6 下载后运行如下示例指令： python tools/test_ins.py configs/

SOLOV2训练教学

weixin_43229348的博客

02-25

3052

Github: https://github.com/WXinlong/SOLO 我的操作系统是Ubuntu18.04，本文将会分成以下部分：创建数据集修改config 模型训练可视化Mask结果模型评估推理预测推理优化首先安装一些基本库，可参考官方安装说明 $ git clone https://github.com/WXinlong/SOLO.git $ cd SOLO $ pip install -r requirements/build.txt $ pip install “git

推荐文章：SOLOv2 - 动态、更快、更强大的目标检测框架

最新发布

gitblog_00009的博客

06-08

419

SOLOv2:SOLOv2

04-22

SOLOv2 该代码是SOLOv2的非官方pytorch实现安装请检查以获取安装说明。训练遵循与SOLOv1相同的方式。单个GPU： python tools/train.py configs/solov2/solov2_r101_3x.py 多GPU（例如8）： ./tools/dist_train.sh configs/solov2/solov2_r101_3x.py 8 重物可以在下载经过训练的模型码：qw4e 结果在使用resnet-101主干在coco数据集上训练了36个纪元（3x）之后，在COCO test-dev2017数据集上的mAP为39.5。在原始论文中，该模型在72个时代（6x）之后达到了39.7。可视化（1个纪元）

SOLOv2算法学习

weixin_42708301的博客

04-27

9230

SOLOv2神经网络学习 SOLOv2是在SOLO的基础上进行的改进，原文为《SOLOv2: Dynamic and Fast Instance Segmentation》。代码在https://git.io/AdelaiDet上可以找到。摘要 SOLOv2相对SOLO的主要改动有两点：（1）新框架由一个实例掩码表示方案来赋能，能够动态分割图像中的每个实例，不用借助bbox检测。具体来说，将目标掩码的生成（Mask branch）解耦成掩码核预测（Mask kernel branch）和掩码特征学习（M

配置MMDetection的solov2攻略整理

qq_53589322的博客

02-27

1301

MMDetection是一个用于目标检测的开源框架，由OpenMMLab开发和维护。它提供了丰富的预训练模型和模块，可以用于各种目标检测任务，如物体检测、实例分割、关键点检测等。

【深度学习】solo/solov2实例分割，环境配置，生成coco评价指标

weixin_65577318的博客

08-11

1815

solo环境配置最重要的就是各个版本要求十分严格，亲测按照文中步骤可以运行，每个设备情况不同，可能配置中会遇见各种问题。小白本人经过多次、多天不断崩溃尝试，根据有经验的博文最终试出这个我行得通的方法。希望看见此文的朋友有信心，不断尝试，最终成功配置出环境！

mmdetection的下载与安装（附带跑solov2示例）

qq_45826605的博客

01-11

2344

mmdetection的安装教程，避坑小指南，附带跑solov2示例，教程详细可供参考~

SOLOV2代码和预训练模型

04-18

SOLOV2是一种先进的目标检测算法，源自计算机视觉领域的深度学习技术。...熟悉Python编程语言、深度学习框架（如PyTorch或TensorFlow）以及计算机视觉库（如OpenCV）将对理解和使用SOLOV2大有帮助。

目标检测+深度学习+mmdetection+框架源码

02-08

**深度学习目标检测框架——MMDetection** 在计算机视觉领域，目标检测是一项核心任务，它旨在识别并定位图像中的特定对象。随着深度学习技术的发展，许多高效、精准的目标检测框架应运而生，其中MMDetection是备受...

MMDetection实战：MMDetection训练与测试

05-09

MMDetection 将检测框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的检测模型丰富的即插即用的算法和模型 MMDetection 支持了众多主流的和最新的检测算法，例如 Faster R-CNN，...

SOLOv2算法解读

热门推荐

持续关注并分享目标检测、数据生成、视频驱动、跨模态、分割、关键点等领域前沿技术

03-29

1万+

SOLOV2实例分割

手把手教你如何用SOLOV2训练自己的数据集

jinfagang1211的博客

07-24

8246

title: 手把手教你如何用SOLOV2训练自己的数据集 date: 2020-07-24 14:59:11 category: 默认分类本文介绍手把手教你如何用SOLOV2训练自己的数据集手把手教你如何用SOLOV2训练自己的数据集本文由林大佬原创，转载请注明出处，来自腾讯、阿里等一线AI算法工程师组成的QQ交流群欢迎你的加入: 1037662480 最近后台很多小伙伴跟我说能不能出一些实例分割训练的教程, 因为网上很多都是关于加速/部署的, 为了满足大家的愿望, 今天特意给大家带来了现.

【实例分割】2、SOLOv2：Dynamic，Faster and Stronger

呆呆的猫的博客

04-15

3484

solo/solov2 训练自己的数据集并且测试

weixin_44951291的博客

12-27

3691

主要参考：很详细安装环境、跑通并且测试请看之前的文章：环境安装、图片预测数据准备工具:labeme 打开图片手动标注，生成json文件，每张图片对应一json文件将你标注的原图片以及对应的json文件分为train和val两个文件夹（四个文件夹，一个trian原图，一个val原图，一个train对应的json,一个val对应的json）然后使用下面的源码将，json合成一个json（譬如我的trian里有八张图片对应的json，用下面的代码合成一个json），经过这一个会生成两个json文件，将

SOLOv2 论文学习

calvinpaean的博客

03-26

5368

Abstract 本文的目的是构建一个简单、直接、快速、性能强的实例分割框架。作者延续了SOLO的方法。作者在本文中更进一步，动态地学习目标分割器的 mask head，这样 mask head 就依赖于它的位置。此外，mask 分支被解耦成一个 mask kernel 分支和 mask 特征分支，分别学习卷积核和卷积的特征。而且，作者提出了 Matrix NMS，大幅度地降低了推理时间。Mat...

solov2训练自己的数据集

07-28

要训练自己的数据集，您可以按照以下步骤进行操作： 1. 数据准备：收集和整理您的自定义数据集。确保数据集包含与您的任务相关的问题和答案。 2. 数据预处理：根据您的需求，对数据进行预处理。这可能包括文本清洗、分词、去除停用词等操作。 3. 模型选择：选择适合您任务的模型。在这种情况下，您可以选择使用SoloV2模型。 4. 模型训练：使用您的数据集对SoloV2模型进行训练。您可以使用深度学习框架，如PyTorch或TensorFlow，来实现训练过程。 5. 超参数调整：根据训练过程中的性能指标，调整模型的超参数，例如学习率、批大小等。 6. 模型评估：使用测试数据集评估模型的性能。这将帮助您了解模型在新数据上的表现情况。 7. 模型优化：根据评估结果，进行模型优化。您可以尝试调整模型架构、正则化方法等来提升性能。 8. 模型部署：一旦您对模型满意，您可以将其部署到生产环境中，以供实际使用。请注意，训练自己的数据集可能需要大量的计算资源和时间。此外，确保您的数据集具有足够的大小和多样性，以确保模型的泛化能力和性能。