DCNV3

已于 2024-02-21 18:33:58 修改
阅读量650 收藏 9
点赞数 8
文章标签： 人工智能
于 2024-02-21 18:12:12 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/qq_36632604/article/details/136217863
版权 
class DCNV3_YoLo(nn.Module):
    def __init__(self, inc, ouc, k=1, s=1, p=None, g=1, d=1, act=True):
        super().__init__()

        self.conv = Conv(inc, ouc, k=1)
        #self.dcnv3 = DCNv3(ouc, kernel_size=k, stride=s, group=g, dilation=d)  # c++版本
        self.dcnv3 = DCNv3_pytorch(ouc, kernel_size=k, stride=s, group=g, dilation=d) # pytorch版本
        self.bn = nn.BatchNorm2d(ouc)
        self.act = Conv.default_act

DCNv3_pytorch这个改一下

output = DCNv3.dcnv3_forward( RuntimeError: Not implemented on the CPU

object detect的

原本
from ops_dcnv3.modules import DCNv3,DCNv3_pytorchb

把c++的DCNv3删了变成
from ops_dcnv3.modules import DCNv3_pytorch

yaml中

第一行四个参数所以不能随便换？

[-1, 1, Conv, [64, 6, 2, 2]
Rondox
关注
  • 8
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YOLOv5改进 | Conv篇 | 利用DCNv3卷积优化C3 | 无需编译Windows完美运行（附代码 + 修改教程）
Snu77的博客
02-07 1220
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv5改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新。
DCNV3编译环境，包括整个yolo环境
05-11
用于运行DCNV3的环境，可在yolov5、yolov7、yolov8下直接使用
YOLOv8引入DCNV3报错RuntimeError: Not implemented on the CPU
我不想CV的博客
09-17 930
并在default.yaml中，手动添加 device为你自己的显卡序列。这时我们只要在我们训练的py文件引入torch即可。如果用CLI训练的，添加cuda到命令行即可。
DCNv2-master.zip
06-30
支持pytorch1.7版本，不用做较大修改即可运行
DCNv2ubuntu16.04下编译好的
11-12
可变形卷积dcnv2编译，ubuntu16.04下编译好的，cuda10.0，cudnn7.1.3，欢迎下载
代码详解——可变形卷积（DCNv3）
zyw2002的博客
08-21 1万+
如下图，首先下载InterImage官方代码，然后在segmentation、detection、classification文件夹下均可以找到ops_dcnv3文件夹，该文件夹下的内容就是实现DCNv3算子的核心代码。modules如下图所示,modules文件夹中的dcnv3.py文件主要定义了DCNv3模块。其中是DCNv3的pytorch实现版本，DCNv3是DCNv3的C++实现版本。functions如下图所示，function文件夹中的文件定义了DCNv3的一些核心操作。
YOLOv8添加DCNv3可变形卷积报错张量不匹配
qq_43484438的博客
10-10 1027
get_reference_points 与 _generate_dilation_grids中的 dtype=torch.float32 替换为 dtype=torch.float16，让代码在进行dcnv3相关的数据计算时的数据类型为16位浮点型而不是32位浮点型，让它在gpu上计算而不是cpu上计算，这样就能让 ref 与 grid 参数在gpu上进行计算。导致当我们把数据放在gpu上训练时要求的数据是16位，而dcnv3内的数据是32位，会放在cpu上进行训练，结果会导致一个错误是数据。
运行dcnv3代码的警告及解决方法
zoey_peak的博客
03-14 1981
UserWarning:Attempted to use ninja as the BuildExtension SetuptoolsDeprecationWarning: setup.py install is deprecated.Use build and pip running bdist_egg running egg_info error: [Errno 13] Permission denied
YOLOv8添加DCNv2可变形卷积
weixin_70423469的博客
07-13 6800
最近比较火的可变形卷积（Deformable Convolutional Networks(DCN)）被称为目标检测改进网络结构的中涨点神器，确实在yolov8中加入DCN3可以涨3到4个点，尤其是它对小目标检测效果较好。来declare一下，否则会导入失败，至此已经差不多就ok了，现在只需要在yaml中你想要更改的网络结构的地方改一下就行，然后就可以训练了，如果不确定可以在训练的时候看一下print的网络结构即可。这三处()里都加上C2f_DCN，接着在modules文件夹下的__init__.py。
YOLOv8改进——引入可变形卷积DCNv3
热门推荐
zyw2002的博客
08-21 1万+
本文只讲解在YOLOv8的代码中添加DCNv3的操作流程, 具体的原理参见上述的链接~是pytorch实现的版本，只要基础的pytorch环境安装正确就不会出错。是C++实现版本，必须先在上一步编译成功，或者安装好了轮子，否则会报错。但是在实际的训练过程中，C++版本的运行速度更快，推荐使用C++版本。(具体怎么修改，都可以自己决定，然后通过实验看看效果如何)文件夹，该文件夹下的内容就是实现DCNv3算子的核心代码。中，下图中的列表里添加。
pytorch版可变形卷积代码DCNv2.zip
04-09
pytorch版可变形卷积代码DCNv2，下载编译可直接使用，内附编译过程及详细使用方法。在Ubuntu环境下使用的。
tensorrtx 实现 yolov5 + dcnv2
03-20
将 yolov5x yaml backbone 前3层 conv 改成 dcnconv 参考 tensorrx yolov5 , 实现 tensorrt 推理。 backbone: # [from, number, module, args] [[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 [-1, 1, DCN, [128, 3, 2]], # 1-P2/4 [-1, 3, C3, [128]], [-1, 1, DCN, [256, 3, 2]], # 3-P3/8 [-1, 6, C3, [256]], [-1, 1, DCN, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 3, C3, [1024]], [-1, 1, SPPF, [1024, 5]], # 9 ]
11种CNN网络设计中精巧通用的“小”插件
m0_61899108的博客
02-28 627
导言 本文转载于：（附代码）真正的即插即用！盘点11种CNN网络设计中精巧通用的“小”插件 所谓“插件”，就是要能锦上添花，又容易植入、落地，即真正的即插即用。本文盘点的“插件”能够提升CNN平移、旋转、scale等变性能力或多尺度特征提取，感受野等能力，在很多SOTA网络中都会看到它们的影子。 前沿 本文盘点一些CNN网络中设计比较精巧而又实用的“插件”。所谓“插件”，就是不改变网络主体结构， 可以很容易嵌入到主流网络当中，提高网络提取特征的能力，能够做到plug-and-play。网络.
【第四周】第 1 节：时间模块
Super-Coding的博客
01-05 153
第四周-第一节课 导入第三方模块 导包的层级关系 模块(module) 以文件为载体, 包含各类对象 包(package) 以文件夹为载体, 包含了各类模块 库(lib) 包含了各类包 import 库 from 库/模块 import 模块/函数 导包的命名冲突 通过as这个关键词来给当前模块/函数取个别名 from datetime import datetime as p_datetime 时间模块time 调用的都是系统级的接口, 提供时间的访问和转换的功能
可变形卷积学习（RepPoints）
qq_44442727的博客
03-06 5041
近来在学习anchor-free网络，看到了可变形卷积（Deformable Convolutional Networks(DCN)）的内容，大致总结一下，便于后面回顾。 可变形卷积可从以下三篇论文去学习，它们也被称为DCNv1、DCNv2、RepPoints（DCNv3）, DCNv1:http://xxx.itp.ac.cn/pdf/1703.06211.pdf DCNv2:http://cn.arxiv.org/pdf/1811.11168v2 RepPoints（DCNv3）:http://xxx.
Windows上编译DCNv3的算子
weixin_43102188的博客
05-31 3501
在Windows上编译DCNv3算子
python3.7 安装opencv库 来import cv2
weixin_45615730的博客
10-01 1671
python3.7 安装opencv库 在命令行直接pip install opencv-python 然后打开python3.7的原文件 （我的是C:\Users\xxx\AppData\Local\Programs\Python\Python37\Lib\site-packages） 把其中的cv2文件复制到你使用的python编译器的原文件 （我用的是anacoda的Spyder，我的路径是C:\Users\xxx\Anaconda3\Lib\site-packages） 最后再在命令行里输入pyth
dcnv3代码pytorch
最新发布
12-14
DCNv3是一种卷积神经网络算子，它可以在保持计算量不变的情况下提高模型的准确性。以下是DCNv3的PyTorch代码实现： 1. 首先需要安装DCNv3的PyTorch扩展库： ```shell pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 -f https://download.pytorch.org/whl/torch_stable.html pip install mmdet==2.11.0 ``` 2. 接下来，可以使用以下代码实现DCNv3： ```python import torch from mmcv.ops import DeformConv2d # 定义输入和输出张量 input_tensor = torch.randn(1, 3, 224, 224) output_tensor = torch.randn(1, 64, 224, 224) # 定义DCNv3卷积层 dcnv3_conv = DeformConv2d( in_channels=3, out_channels=64, kernel_size=3, stride=1, padding=1, dilation=1, groups=1, deform_groups=1, bias=True) # 将输入张量传递给DCNv3卷积层 output = dcnv3_conv(input_tensor) # 检查输出张量的形状 print(output.shape) # 输出：torch.Size([1, 64, 224, 224]) ``` 以上代码中，我们使用了mmcv库中的DeformConv2d类来实现DCNv3卷积层。我们首先定义了输入和输出张量，然后定义了一个DeformConv2d对象，并将输入张量传递给它。最后，我们检查了输出张量的形状。

“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
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