VOC数据集上自己训练FSOD: Few shot object detection

最新推荐文章于 2023-03-26 21:07:55 发布
最新推荐文章于 2023-03-26 21:07:55 发布
阅读量1.5k 收藏 7
点赞数 2
分类专栏： 目标检测 文章标签： pytorch 神经网络 FSOD few shot 小样本
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_38784454/article/details/120607523
版权

算法可正常训练：环境window10+pytorch1.8.0+cuda11.1+detectron2-0.2.1

a）detectron2-0.2.1配置参考：windows10系统安装detectron2_会飞的小菜鸡的博客-CSDN博客_detectron2 安装

其他版本的detectron2(>=0.2.1)也可以。

问题汇总：

1、BrokenPipeError: [Errno 32] Broken pipe

这个问题我直接将torch.utils.data.dataloader lines:185 中的self.num_workers强制设置成1

2、FloatingPointError: Predicted boxes or scores contain Inf/NaN. Training has diverged.

batch_size调大解决此问题。

苏打水的杯子
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
2020CVPR-目标检测论文解读之FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
期待黎明的博客
03-15 9550
2020CVPR-目标检测论文解读之FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector 数据集参考 1.摘要 传统的目标检测方法通常需要大量的训练数据，而准备这样高质量的训练数据是非常劳动密集的。本文提出了一种新的少镜头目标检测网络，该网络只需少量的标注实例，就可以检测出不可见类的目标。该方法的...
【论文总结】Few-shot Object Detection via Feature Reweighting（附翻译）
小张好难瘦的博客
11-01 2923
论文地址：https://arxiv.org/abs/1812.01866 代码地址：https:// github.com/bingykang/Fewshot_Detection 目录 摘要 1 介绍 2 相关工作 3 方法 3.1. Feature Reweighting for Detection用于检测的特征重加权 3.2. Learning Scheme 4 实验 4.1. Experimental Setup 实验设置 4.2. Comparison with Ba...
小样本目标检测：few-shot-object-detection训练自己的数据集（Fine-tune COS classifier）
weixin_46822502的博客
11-05 2132
填补一下之前训练数据集的大坑，在测试自己的数据集时，前面步骤按照(15条消息) 小样本目标检测：few-shot-object-detection训练自己的数据集_一个王同学的博客-CSDN博客_小样本目标检测https://blog.csdn.net/qq_35030874/article/details/116996814配置下来就可以工作了 需要注意的是，如果需要修改Roi-Head的输出层，如将FC修改为COS，需要在tools.ckpt_surgery.py中的main()函数进行修改。如果之前
CVPR 2020 | 腾讯推出超强少样本目标检测算法，公开千类少样本检测训练集 FSOD
qq_37692458的博客
12-08 768
导读：论文提出了新的少样本目标检测算法，创新点包括Attention-RPN、多关系检测器以及对比训练策略，另外还构建了包含1000类的少样本检测数据集FSOD，在FSOD上训练得到的论文模型能够直接迁移到新类别的检测中，不需要fine-tune。 论文地址：https://arxiv.org/abs/1908.01998 Introduction 不同于正常的目标检测任务，few-show目标检测任务需要通过几张新目标类别的图片在测试集中找出所有对应的前景。为了处理好这个任务，论文主要有两.
FSOD~
whaosoft143ai的博客
01-01 487
请注意，基本类别的注释是详尽的，但对于新类别，大多数实例都没有标记，因为在少样本设置下，仅为图像数据集D提供了K个注释。为了解决“监督崩溃”的问题，我们采用了一种简单的伪标签方法来挖掘新类别的实例，有效地扩展了它们的注释集。然而，这样的训练范式限制了模型只能在有大量训练数据的封闭的小类别上表现良好。研究者工作的目标是FSOD：给定一个现有的目标检测器，该检测器已经在某些类别的大量数据（称为基本类别）上进行了训练，我们希望学习仅使用一些注释来检测新类别，例如每个类别1-30个，同时保持原始基本类别的性能。
Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning 自定义数据集训练踩坑
h123900的博客
07-06 764
Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning 自定义数据集训练踩坑
Few-shot Object Detection via Feature Reweighting (2019 ICCV)
qq_37297763的博客
10-17 696
这篇论文算是小样本目标检测的开篇之作之一了，我在阅读最新论文的时候，发现他们也总会引用这篇文章，所以做小样本目标检测或者语义分割的同学，可以阅读一下这篇论文。 1. 论文出处 2019 ICCV 2. 问题 传统的基于CNN的目标检测方法需要大量的bbox标注，这些方法对于一些少的类别是不可用的。 3. 解决方法 设计了小样本目标检测器。能够从少量有标注的样本中检测出新类。模型通过元特征学习器和一个调整权重的模块，利用全部标注的基础类别，快速适应新类。 使用有大量数据的base classes作为训练数据，
水果识别的VOC数据集
07-06
尽管如此，它依然可以作为一个基础训练集来测试和验证图像识别模型的性能，尤其是在有限的数据条件下。大部分图片的背景为白色，这样的设计有助于简化问题，让模型更专注于识别水果本身，而非复杂的环境背景。然而，...
few-shot-object-detection:一次性对象检测基准的实现
03-20
在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。 FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型...
VOC2007训练数据集，
12-07
VOC2007的全称是PASCAL Visual Object Classes Challenge 2007，它包含了丰富的图像数据和详细的注释信息。 该数据集的主要特点包括以下几点： 1. **多类别标注**：VOC2007涵盖了20个不同的物体类别，如人、自行车...
FewX:FewX是Detectron2之上的开源工具箱，用于数据受限的实例级识别任务
04-12
少数 FewX是Detectron2之上的一个开放源代码工具箱，用于数据受限的实例级识别任务，例如，少拍对象检测，少拍实例分割，部分监督的实例分割等。 Qi Fan （HKUST， ）的所有数据受限的实例级识别作品都在这里开源。 迄今为止，FewX实现了以下算法： ：少量检测物体。 ：部分受监管/完全受监管/快照很少的实例分割（待发布）。 强调 最先进的性能。 FSOD是最好的一次性拍摄对象检测模型。 （此模型可以直接应用于新颖的类，而无需进行微调。微调可以带来更好的性能。） CPMask是最好的部分受监管/快照很少的实例分割模型。 易于使用。 您只需要运行3条代码行即可进行整个实验。 在一条代码行中安装Pre-Built Detectron2。 在一条代码行中准备数据集。 （您需要先下载数据集并在脚本中更改数据路径。） 在一条代码行中进行培训和评估。 更新 Fe
FSOD-code
03-31
FSOD的Pytorch实现 消息！ Detectron2基于FSOD实现被释放 ！ 在MS COCO上可以达到12.0 AP（10张）！ 入门 克隆仓库： git clone https://github.com/fanq15/FSOD-code.git 要求 在python3下测试。 python包 pytorch == 0.4.1 火炬视觉> = 0.2.0 赛顿 matplotlib 麻木 科学的 OpenCV pyyaml == 3.12 包装 大熊猫 —用于COCO数据集，也可从pip获得。 tensorboardX —用于记录Tensorboard中的损失 需要NVIDAI GPU和CUDA 9.0。 （请勿使用其他版本） 注意：不同版本的Pytorch软件包具有不同的内存用法。 汇编 编译CUDA代码： cd lib # please change
数据集VOC格式打电话检测数据集-5364张可用yolo训练
12-08
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：5364 标注数量(xml文件个数)：5364 标注类别数：2 标注类别名称:["phone","head"] ...
voc车辆检测数据集（已处理好，可直接训练）
03-25
在机器学习中，数据通常分为训练集、验证集和测试集。训练集用于训练模型，验证集用于调整模型参数（如防止过拟合），而测试集用于评估模型的泛化能力。这个数据集可能已经按照这种方式进行了划分。 7. **多类别...
OD-数据预处理-对fsod-test和fsod-train数据集进行统计
Ma_tx
12-17 346
import json with open('fsod_test.json') as fd: file=json.load(fd) # print(file) print(type(file)) keys=file.keys() for k in keys: print(k) print(type(file[k])) supcat=[] id=[] name=[] slow=[] cats=file['categories'] for item in cats: supc
Pytorch 目标检测通过fssd训练自己的数据集
RichardPan0000的博客
03-26 557
因为权重文件上有不能兼容模型的输入和输出的部分，所以需要定义交叉取值函数。然后就可以训练自己的模型了。定义网络结构交叉取值函数。在train.py中。
小样本学习论文解读—FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
sinat_37145472的博客
09-03 390
《Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector》 关键词： few-shot object detection 总结： We propose a general few-shot object detection network that learns the matching metric between image pairs based on the Faster R-CNN framework eq.
FSOD with Attention-RPN and Multi-Relation 推理过程
qq_33891314的博客
12-09 506
测试过程 在少样本目标检测任务中，训练过程每次输入的是一个episode，也就是有一张query image需要检测对象，以及20张support images提供类别信息。在support images中，一共有2个类别，一个类别10张图片。在训练时会确保一个类和query image相同，一个类别和它不同。训练时模型的任务就是找到query image中属于support images类别的对象，然而在测试的时候每张图片需要和20个类别的support features做对比。 总体流程如下： 每个类
FSOD代码结构
qq_33891314的博客
07-01 494
数据加载 Pascal VOC 2007+2012 数据集划分
mmdetection训练自己的数据集voc
最新发布
10-14
要训练自己的数据集voc，可以按照以下步骤进行： 1. 准备数据集：将自己的数据集按照voc格式进行标注，包括图片和对应的xml文件。 2. 修改配置文件：在mmdetection的配置文件中，修改数据集路径、类别数、训练集和验证集的划分等参数。 3. 下载预训练模型：可以选择在ImageNet上预训练的模型进行微调，也可以从头开始训练。 4. 开始训练：运行训练脚本，开始训练自己的数据集。

“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 3
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

打赏作者

苏打水的杯子

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