OWOD训练运行教程

最新推荐文章于 2024-10-10 11:56:19 发布
最新推荐文章于 2024-10-10 11:56:19 发布
阅读量8.5k 收藏 28
点赞数 12
分类专栏： 问题记录 文章标签： pytorch 深度学习 人工智能
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_38701106/article/details/121147098
版权

Towards Open World Object Detection的训练

代码地址：https://github.com/JosephKJ/OWODhttps://github.com/JosephKJ/OWOD

1.创建一个conda环境python > 3.6, 安装 Pytorch > 4 和opencv

2.下载detectron2(也可以根据电脑配置下载不同版本的detectron2)

git clone https://github.com/facebookresearch/detectron2.git

不同版本下载地址：https://github.com/facebookresearch/detectron2/releases

3.接下来在OWOD文件夹下安装detectron2

 python -m pip install -e detectron2

注意此处不要使用该文件夹外部构建的Detectron2，否则运行代码时会报错，一定要在OWOD内构建Detectron2。

4.数据集的制作：先进入google drive的命令下载数据， 然后再根据下面两个步骤把数据和预训练的模型放到指定的位置（这一步要仔细）

google drive地址https://drive.google.com/drive/folders/1Sr4_q0_m2f2SefoebB25Ix3N1VIAua0w

（1）主文件夹下新建datasets/VOC2007文件夹

（2）下载的Annotations与JPEGImages文件夹放在VOC2007下

（3）新建datasets/VOC2007/ImageSets/Main文件夹

（4）将datasets/OWOD_imagesets下的所有文件放到datasets/VOC2007/ImageSets/Main下

5.开始训练

8gpu:

python tools/train_net.py --num-gpus 8 --dist-url='tcp://127.0.0.1:52125' --resume --config-file ./configs/OWOD/t1/t1_train.yaml SOLVER.IMS_PER_BATCH 8 SOLVER.BASE_LR 0.01 OUTPUT_DIR "./output/t1"

4gpu:

python tools/train_net.py --num-gpus 4 --dist-url='tcp://127.0.0.1:52125' --resume --config-file ./configs/OWOD/t1/t1_train.yaml SOLVER.IMS_PER_BATCH 4 SOLVER.BASE_LR 0.005 OUTPUT_DIR "./output/t1"

单gpu:

python tools/train_net.py --num-gpus 1 --dist-url='tcp://127.0.0.1:52125' --resume --config-file ./configs/OWOD/t1/t1_train.yaml SOLVER.IMS_PER_BATCH 8 SOLVER.BASE_LR 0.0025 OUTPUT_DIR "./output/t1"

 在运行时可能会出现缺少包的情况，直接pip安装即可：

No module named 'reliability' 

pip install reliability

No module named 'shortuuid'

pip install shortuuid

 

 

运行成功！！！ 

OWOD环境配置和训练细节
丑小鸭
08-31 935
本代码基于Detectron2，可参看我之前的博文配置 Detectron2Centos7之Detectron2的环境配置_centos7.6如何编译detectron2-CSDN博客Detectron2训练自己的数据集（较详细）_detrectron2训练自己的数据集-CSDN博客不过这里由于我的CUDA版本升级到了 12.2，所以我的CUDA的相关配置可参看。
Towards Open World Object Detection（OWOD）代码复现
qq_22583741的博客
05-11 1046
python -m pip install -e ./python tools/train_net.py --num-gpus 1 --config-file ./configs/OWOD/t1/t1_train.yaml SOLVER.IMS_PER_BATCH 8 SOLVER.BASE_LR 0.0025 OUTPUT_DIR “./output/t1”No module named ‘reliability’ 解决办法： pip install reliability No module named
图像处理-OWOD-开放世界中的目标检测
07-05
1）在没有明确监督的情况下，将尚未引入该对象的对象识别为“未知”，以及2）当逐渐接收到相应的标签时，逐步学习这些已识别的未知类别，而不会忘记先前学习的类别。
OWOD复现过程总结
wangyanhuaa的博客
04-05 1793
放在OWOD-master下，找到OWOD-master/configs/OWOD/t1/t1_train.yaml,把预训练模型的文件路径（如果在自己的docker中路径为/workspace_disk/OWOD-master/R-50.pkl，否则报错找不到该文件）替换原文件中weight的内容。我在下载过程中以上问题均遇到过，耐心尝试即可。（2）把下载的数据集中的Annotations与JPEGImages文件夹放在VOC2007下（下载的数据集中可能还有其它文件夹，不用管）过程详细，据此搭建即可。
REOWOD复现！——搭建步骤，已经成功（不用anaconda）
Young_Harry的博客
12-06 438
如果这里报错关于什么cuda版本啥的，那肯定是版本不兼容了，一定找cuda对应的pytorch和python，我的cuda是11.4，但我找不到11.4，就找了好久，用的现在的第三步的命令（没有conda好难受，但是安装了anaconda还容易找不到问题T_T)先说一下，nvidia-smi中显示的cuda版本和nvcc-V中显示的cuda版本不一样的话，你真实的版本其实是nvcc-V的，我前一个就是12.0，后一个就是11.4，但是报错就报11.4，跟12.0没关系。
OWOD：开放世界目标检测，更贴近现实的检测场景 | CVPR 2021 Oral
qq_29462849的博客
08-23 3065
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达  不同于以往在固定数据集上测试性能，论文提出了一个更符合实际的全新检测场景Open World Object Detection，...
【Towards Open World Object Detection 复现】
weixin_44401589的博客
02-14 1985
开放场景下的目标检测，经典文章复现代码（零基础入门复现）
OWOD:（CVPR 2021口服）开放世界物体检测
03-30
被CVPR 2021接受为ORAL论文 arXiv： ： 该图显示了我们新制定的“打开世界物体检测”设置与现有设置之间的关系。 抽象的 人类具有识别其环境中未知对象实例的天生的本能。 当相应的知识最终可用时，对这些未知实例的内在好奇心有助于学习它们。 这激励我们提出一个新颖的计算机视觉问题，称为：“开放世界对象检测”，其中的模型任务是： 在没有明确监督的情况下，将尚未引入的对象识别为“未知”，并且 当逐渐接收到相应的标签时，逐步学习这些已识别的未知类别，而不会忘记先前学习的类别。 我们提出了问题，引入了强大的评估协议并提供了一种新颖的解决方案，我们称之为ORE：基于对比聚类和基于能量的未知识别的开放世界对象检测器。 我们的实验评估和烧蚀研究分析了ORE在实现开放世界目标方面的功效。 作为有趣的副产品，我们发现识别和表征未知实例有助于减少增量对象检测设置中的混乱，在此方法中，我们无需
探索未知：Open World Object Detection（OWOD）项目详解
gitblog_00528的博客
08-09 972
探索未知：Open World Object Detection（OWOD）项目详解 OWOD(CVPR 2021 Oral) Open World Object Detection项目地址:https://gitcode.com/gh_mirrors/ow/OWOD 在计算机视觉领域，我们常常处理已知类别的物体检测任务。然而，人类的智能远超于此——我们在识别环境中新奇和未知的对象时表现出惊人的...
OWOD 开源项目教程
gitblog_00539的博客
08-09 757
OWOD 开源项目教程 OWOD(CVPR 2021 Oral) Open World Object Detection项目地址:https://gitcode.com/gh_mirrors/ow/OWOD 1. 项目介绍 Open World Object Detection (OWOD) 是一项在计算机视觉领域CVPR 2021大会上发表的口述研究。该项目旨在解决传统对象检测器在面对未知类别...
OWOD：开放世界目标检测，更贴近现实的检测场景 | CVPR 2021 Oral 代码复现失败
dashanguai的博客
10-10 533
创建python失败，因为目前anaconda最低版本是3.8。因为代码需要python=3.6。
OWOD：开启你的日常数据科学工作流
gitblog_00080的博客
04-25 368
OWOD：开启你的日常数据科学工作流 OWOD(CVPR 2021 Oral) Open World Object Detection项目地址:https://gitcode.com/gh_mirrors/ow/OWOD 是一个开源项目，旨在简化和自动化数据科学项目的工作流程。它的全称是 "One-Word-One-Day"，意味着每天用一个词或短语来驱动数据探索、学习和实践...
【OWOD论文】开放世界中OD代码_2_模型部分
丑小鸭
08-30 1071
本文记录OWOD代码中的模型代码部分。数据部分可看我上一个博客【【OWOD论文】开放世界中OD代码_1_数据部分-CSDN博客。
OW-DETR | 基于 Transformer 的开放世界目标检测器
weixin_56764022的博客
12-11 883
开放世界目标检测 (OWOD) 是一个具有挑战性的计算机视觉问题，其任务是检测一组已知的目标类别，同时还能够识别未知的目标。此外，模型还必须逐步学习在训练中加入的新类别。与标准的目标检测不同，OWOD 对于在潜在的未知目标上生成高质量的候选建议、将未知目标从背景中分离出来 以及 检测不同的未知目标 提出了重大挑战。本文中，作者提出了一种新的基于端到端 transformer 的框架 OW-DETR，用于开放世界目标检测。
OW-DETR: Open-world Detection Transformer（论文解析）
qq_22583741的博客
05-31 2633
开放世界对象检测（OWOD）是一个具有挑战性的计算机视觉问题，其中的任务是检测一组已知的对象类别，同时识别未知对象。此外，模型必须逐步学习在下一个训练片段中变得已知的新类。与标准目标检测不同，OWOD设置对在潜在未知对象上生成高质量候选框、将未知对象与背景分离以及检测各种未知对象提出了重大挑战。在这里，我们介绍了一种新的端到端的基于transformer的框架，OW-DETR，为于开放世界的目标检测。OW-DETR包括三个专用组件，即，注意力驱动的伪标签，新类分类和对象评分，以明确地解决上述OWOD的挑战。
Python报错: No Module named ‘xxxx‘集和
m0_37964621的博客
10-20 299
报错信息 ModuleNotFoundError: No module named '_ctypes' 问题原因 python编译过程中缺少libffi-dev库，因此没能携带编译。 解决方案 安装libffi-dev 官方源 RHEL/Fedora yum install libffi-devel Debian/Ubuntu sudo apt-get install libffi-dev 手动安装 参考链接 ...
OW-DETR复现
2301_76438451的博客
06-03 1412
OW-DETR复现，以及问题解决
shortuuid项目安装与使用指南
gitblog_01027的博客
08-13 861
shortuuid项目安装与使用指南 shortuuidA generator library for concise, unambiguous and URL-safe UUIDs.项目地址:https://gitcode.com/gh_mirrors/sh/shortuuid 目录结构及介绍 当你克隆或下载了shortuuid项目之后，你会看到以下主要目录结构： shortuuid: 包含...
OWOD预训练模型
最新发布
03-20
### OWOD 预训练模型介绍 OWOD（Online Web Object Detection）是一种针对在线增量学习设计的目标检测框架，旨在解决传统目标检测模型在面对新类别时容易遗忘旧类别的问题。其核心理念是在不断引入新数据的同时保持对已有知识的记忆能力。 OWOD 使用了一种基于特征重放的技术来缓解灾难性遗忘的问题[^1]。具体来说，在每次更新模型权重的过程中，OWOD 不仅会利用当前批次的新数据进行训练，还会通过生成器重新构建过去见过的类别样本来模拟历史分布。这种方法使得网络能够在不访问原始训练数据的情况下维持对于早期学到的知识点的有效记忆。 另外值得注意的是，尽管上述背景提到一些关于大语言模型及其局限性的讨论以及多模态基础模型如何有效融合多种类型的数据源的信息[^2], 这些并不直接影响到 OWOD 自身架构的设计思路和技术实现路径. ### OWOD 的使用方法 要开始使用 OWOD 模型, 用户通常需要遵循以下几个方面准备环境并执行相应操作: #### 安装依赖库 首先确保安装好必要的 Python 库文件, 可以通过 pip 工具完成基本包管理任务. ```bash pip install torch torchvision matplotlib numpy opencv-python scikit-image tensorboardX tqdm easydict cython pycocotools yacs ``` #### 数据集配置 准备好 COCO 或者其他自定义格式的数据集作为输入素材. 如果采用标准 COCO 格式，则需调整 `datasets/coco.py` 文件内的路径指向实际存储位置；如果是非标准化形式则可能涉及额外转换脚本编写工作。 #### 训练过程控制 设定超参选项比如初始学习率、动量系数等参数值，并指定保存检查点目录以便后续加载继续优化或者评估最终效果。 ```python from owod.engine.trainer import do_train do_train( cfg, model, data_loader_source, optimizer, scheduler, checkpointer, device, arguments, ) ``` 以上代码片段展示了调用官方 API 函数启动正式迭代循环的过程，其中包含了传入配置对象(cfg), 主干神经网络结构(model)等多个重要组件实例变量传递给内部逻辑处理单元。 ### 注意事项 由于涉及到复杂的迁移学习场景应用场合下可能出现的各种挑战因素影响整体表现水平，因此建议开发者密切关注最新研究成果动态及时跟进改进措施方案。
评论 69
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