Pytorch ----- tansorboard (add_scalar、add_image) 参数详解+运行实例

tansorboard的简介

tansorboard 相当于一个可视化工具,像matplotlib一样。
之前是在tensorflow里用的,pytorch在某个版本(好像是1.1?)之后也能用了。

tansorboard的使用:

首先导包:from torch.utils.tensorboard import SummaryWriter
没有的话 直接安装就行 pip3 install tansorboard

实例化对象:writer = SummaryWriter('logs') # 参数: 文件的存放路径

add_scalar使用及其参数解释

绘图: writer.add_scalar(参数1,参数2,参数3)

  • 第一个参数:生成图像的名称
  • 第二个参数:X轴的值
  • 第三个参数:Y轴的值
add_scalar小实例:
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter('logs') # 参数: 文件的存放路径
for i in range(100):
    writer.add_scalar('这是图像名字',i,i)
writer.close()

运行之后可以看到文件夹多了一个:

logs就是刚才我们取的名字
在这里插入图片描述
这里的文件不能直接打开,需要用命令行打开,是个web。
使用打开命令: tensorboard --logdir=logs
这里的 logs 就是你的文件名。
这里要注意文件路径,他创建的logs文件和你代码文件同目录,但查看的时候要和项目文件进行查找,所以按照我的目录,查看的代码应该是 tansorboard --logdir=code/logs
在这里插入图片描述

如果一台服务器有多人训练,可以每个人都指定不同的端口。
tensorboard --logdir=文件名 --port=端口号

在这里插入图片描述
点开所显示的蓝色本地web地址,得到下面的图像。
在这里插入图片描述

add_image使用及其参数解释

add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')

  • tag (string): 数据名称
  • img_tensor (类型 torch.Tensor 或 numpy.array): 图像数据
  • global_step (int, optional): 记录这是第几个子图 后面解释这个参数
  • walltime (float, optional): 记录发生的时间,默认为 time.time()
  • dataformats (string, optional): 图像数据的格式,默认为 ‘CHW’,即 Channel x Height x Width,还可以是 ‘CHW’、‘HWC’ 或 ‘HW’ 等
add_image小实例:

使用的图片:在这里插入图片描述

使用PIL读取图片,读出来的图片是PIL类型,用numpy转换成numpy类型。

这里需要注意一点,当我们转换成numpy类型之后,数据为(719, 719, 4) 显然是 H * W * C 所以我们使用add_image的时候, 用dataformats这个参数指定一下使用数据的维度排列情况 dataformats='HWC'

from torch.utils.tensorboard import SummaryWriter
from PIL import Image
import  numpy as np

writer = SummaryWriter('logs') # 参数: 文件的存放路径
image_path = "../data/cat.png"
image_PIL = Image.open(image_path)
image_numpy = np.array(image_PIL)  # 转化成numpy数据类型
writer.add_image("这是图像名字",image_numpy,1,dataformats='HWC') # 最后的参数指定维度格式
writer.close()

在这里插入图片描述
add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')

关于global_step 参数
如果在使用的时候,tag也就是图片标题名字没有改变,仅仅改变 global_step ,
我们还是使用上面的代码不变,仅仅改变global_step 从1变成2,并且换了一张新的图片。会有下面的情况、

在这里插入图片描述

在这里插入图片描述
可以看到下面这里多了一个可拉动进度条,
可以通过拉动进度条查看 “这就是图像名字” 名字下的所有子图,这就是 global_step 的用处。

直接换个tag 就是图片名,就可以让他们不是属于子图关系了。

  • 10
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
好的,关于 Pytorch-RetinaFace 的代码讲解,我可以给您提供以下信息: 1. RetinaFace 模型介绍 RetinaFace 是一个用于人脸检测和人脸识别的深度学习模型,其核心思想是在多个尺度下进行特征提取,并利用类似于 Anchor 的方式进行边框预测。RetinaFace 模型的核心网络结构为 ResNet-50,通过 ResNet-50 提取特征,再分别在不同的特征图上进行预测,从而提高检测的准确率和速度。 2. Pytorch-RetinaFace 代码结构 Pytorch-RetinaFace 的代码结构主要包含以下几个文件: - data/ 目录:包含了数据集相关的代码和数据集文件; - models/ 目录:包含了 RetinaFace 模型的代码和模型文件; - layers/ 目录:包含了 RetinaFace 模型中用到的自定义层代码; - utils/ 目录:包含了一些工具类和函数; - train.py:训练脚本; - test.py:测试脚本; - demo.py:演示脚本。 3. RetinaFace 模型训练 RetinaFace 模型的训练主要包含以下几个步骤: - 数据集准备:将数据集按照指定格式进行划分和预处理; - 模型构建:使用 Pytorch 搭建 RetinaFace 模型,并定义损失函数和优化器; - 模型训练:使用训练集对模型进行训练,并在验证集上进行验证和调参; - 模型保存:将训练好的模型保存到指定的路径。 4. RetinaFace 模型测试 RetinaFace 模型的测试主要包含以下几个步骤: - 加载模型:使用 Pytorch 加载训练好的模型; - 图像预处理:将待检测的图像进行预处理,包括大小调整和归一化等; - 特征提取:使用 ResNet-50 提取图像的特征; - 预测边框:在不同的特征图上进行边框预测,并进行 NMS 处理; - 绘制结果:将预测出的边框和置信度绘制在原图上。 以上就是关于 Pytorch-RetinaFace 代码的讲解,希望能够对您有所帮助。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

深度不学习!!

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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