柴犬犬舍

triton server默认都是tensorrt推理。但也会出现有操作不支持，导致无法转模型为engine的情况。可以选择直接运行pytorch的pt文件，以下为操作步骤。1.pytorch后端环境编译步骤原理是使用 pytorch C++ API运行pt文件模型。安装依赖项apt-get install patchelf rapidjson-dev python3-dev构建NGC 的 PyTorch 容器。例如，构建一个使用 NGC 21.02 版本的 PyTor.

https://github.com/milesial/Pytorch-UNet网络整体结构代码""" Full assembly of the parts to form the complete network """import torch.nn.functional as Ffrom .unet_parts import *class UNet(nn.Module): def __init__(self, n_channels, n_classes, bil..

安装前准备python ≥3.6 PyTorch ≥ 1.5python3可查看python版本pip list可查看pytorch版本gcc和g++ 1 sudo apt-get install build-essential 查看cuda 版本是否与torch版本对应，如不对应则切换cuda版本 1 2 3 sudo rm -rf /usr/local/cuda #删除之前的软连接 sud

柴犬/unet项目全流程 - 码云 - 开源中国 (gitee.com)

经过同事提醒发现是预处理的问题。yolov4def preprocess(image,input_height,input_width): image = cv2.resize(image, ( input_width,input_height)) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) image = np.transpose(np.array(image, dtype=np.float32, order=..

直方图阈值分割一般图像都有双峰性，一个峰是前景一个是后景。一般取这两个峰值之间的最小值为图片的二值化的阈值从而二值化图片值得一提的是，对于任何一张图像，它的直方图中如果存在较为明显的双峰，用直方图分割技术法可以达到很好的效果，否则，达到的效果会很不理想。所以建议先绘制直方图看看。import numpy as npimport cv2import osdef calcGrayHist(image): ''' 统计像素值 ..

docker build命令用于从Dockerfile构建映像。-f :指定要使用的Dockerfile路径；--tag, -t:镜像的名字及标签;示例:docker build -f /path/to/a/Dockerfiledocker build -t SOLO docker/docker file结构FROM：指定基础镜像，必须为第一个命令FROM pytorch/pytorch:1.3-cuda10.1-cudnn7-de...

今天用pytorch训练了一份resnet18的模型，用于工作服检测。但是把模型转为tensorrt engine部署后，发现运行起来预测结果完全错误。1.一开始以为是过拟合，但是用训练数据预测，发现还是不对。2.这时开始怀疑是自己模型结构哪里写错了，但是编译已经通过了，也就是自己写的tensorrt模型，完美接收了来自pytorch的resnet18的参数。发现自己写的tensorrt版本的resnet结构，输入数据是224*224,pytorch版是128*64。..

项目源码github源码地址gitee拷贝的源码地址 （上面的加载慢用这个）安装(windows为例)先安装conda，这里推荐minicondaminiconda安装教程见如下文章http://doge.ac.cn/?p=2840安装完毕后用conda安装labelme# python3conda create --name=labelme python=3.6conda activate labelmepip install l..

报了一长串错Building wheel for pycocotools (setup.py) ... error ERROR: Command errored out with exit status 1: command: /usr/bin/python3 -u -c 'import sys, setuptools, tokenize; sys.argv[0] = '"'"'/tmp/pip-install-xktd0rpk/pycocotools_12febb60ea2840848..

1.创建项目1.git init 将此目录转换为git可管理的仓库2.git config --global user.name "xx" git config --global user.email "xx"（都配也行）3.git add . 文件添加到暂存区(stage)4.git commit -m "xxx" 文件提交至本地仓库2.上传更改git statusgit add .git commit -m ""git push origin maste..

错误原因元素的class_name带空格，无法通过之前的方法获取到元素今天写一个网站自动化测试脚本时driver.find_elements_by_class_name('el-tooltip.operator.open')[2].click()driver.find_elements_by_css_selector('el-tooltip operator open')[2].click()driver.find_elements_by_css_selector('el-..

解决方法先转成PIL的图片格式，再用PIL绘制字体，然后再转回opencv图片格式定义方法from PIL import Image, ImageDraw, ImageFontdef cv2ImgAddText(img, text, left, top, textColor=(0, 255, 0), textSize=20): if (isinstance(img, np.ndarray)): # 判断是否OpenCV图片类型 img = Image..

import urllibimport urllib.request as requestdef download(url, name): try: urllib.request.urlretrieve(url, name) except Exception as e: print(e) download(url, name)with open("hk.txt") as f: url_list = f.read().sp.

b 语义分割c 实例分割d 全景分割全景分割 = 语义分割 + 实例分割(以后谁再问我，直接发这个图)

1.编写先初始化from torch.utils.tensorboard import SummaryWriterwriter = SummaryWriter(comment=f'LR_{lr}_BS_{batch_size}_SCALE_{img_scale}')散点图writer.add_scalar('Loss/train', loss.item(), global_step) #loss 直方图writer.add_histogram('w..

预处理1.ImageFolder读取时需要补零ImageFolder 读取顺序之坑 – 柴犬的犬舍 (doge.ac.cn)2.通道转换用transpose，而不是reshape(我是傻逼)np.reshape()和np.transpose() – 柴犬的犬舍 (doge.ac.cn)3.pytorch ToTensor对部署的影响transforms.ToTensor()操作之后，图像会从[0, 255] -> [0.0,1.0]部署时需要..

这一步一定要选中ui文件之后再点pyuic，不然会报错这时候运行的命令是pyuic5.exe main.py -o main.py而不是pyuic5.exe xxx.py -o xxx.ui（因为很多人pyuic的arguments都是$FileName$ -o $FileNameWithoutExtension$.py，即通过xxx.ui生成xxx.py）报错是提示找不到ui文件...

在训练CNN时，loss稳定在log(类别数),是存在什么问题？ 比如说二分类误差稳定在0.69，十分类误差稳定在2.302首先，0.69， 2.302表明网络就是在随机的猜，这里一般都是因为用了交叉熵损失函数这里yi往往是1，最后就是1*log(yhat)而如果是随机猜，预测值会接近1/n，即最后为log(1/n)=-log(n)1.检查是否代码问题，是否有bug；调参数、learning rate等看看，也很有可能先开始梯度太大，weight跑到了很远的地方（或者直接跑到了

问题今天看自己调用EfficientNet的源码发现了这么一段class DogeNet(nn.Module): def __init__(self): super(DogeNet, self).__init__() model = EfficientNet.from_pretrained('efficientnet-b4') model._fc = nn.Linear(1792, 2) self.effici..