Windows复现SiamCAR代码遇到的报错与解决方法

于 2024-03-24 16:22:26 发布
阅读量359 收藏 5
点赞数 7
分类专栏： 论文复现 文章标签： pytorch 人工智能 python
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_39940390/article/details/135689217
版权

一、环境基础

        Windows10以上
        已装Anaconda
        支持GPU
        已经gitclone:https://github.com/HonglinChu/SiamTrackers

二、遇到的报错

1. No module named 'pycocotools._mask'

方案一：加载非常慢

conda install -c conda-forge pycocotools

方案二：推荐，加载快，Esri提供win-64的包

conda install pycocotools -c Esri

方案三：未测试

pip install pycocotools-windows

任选一种完成pycocotools包的安装后，将原项目中的pycocotools包全部删除

接下来可以调试并运行

python par_crop.py 511 12
python gen_json.py

即可处理好COCO数据集

笔写心城
关注
  • 7
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
siamcar训练
weixin_50886167的博客
06-30 1748
siamcar训练
SiamCAR:暹罗汽车
05-07
1.环境设置 该代码已经在Ubuntu 16.04，Python 3.6，Pytorch 0.4.1 / 1.2.0，CUDA 9.0上进行了测试。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.测试 下载预训练的模型： 代码：lw7w 代码：p4zx 代码：6wer （该模型在），然后将其放入tools/snapshot目录中。 下载测试数据集并将其放入test_dataset目录。 常用数据集的Json可以从或下载。 如果要在新数据集上测试跟踪器，请参考设置test_dataset。 python test.py \ --dataset UAV123 \ # dataset_name --snapshot snapsh
基于分类和回归子网的包围盒预测（siamGAT和siamCAR的头部）
的博客
10-14 833
siamGAT和siamCAR都使用相同的预测模块，具体参考siamCAR论文原文：https://arxiv.org/abs/1911.07241 3.2. Bounding Box Prediction with Classification and Regression Subnetwork 在代码中实现为 def forward(self, pred, target, weight=None): pred_left = pred[:, 0] ..
单目标跟踪通过CAM绘制heatmap图像(以SiamCAR为例)
qq_39276007的博客
02-05 1万+
论文链接： SiamCAR:SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking Group-CAM: Group Score-Weighted Visual Explanations for Deep Convolutional NetworksGroup-CAM:Group-CAM: Group Score-Weighted Visual Explanations for Deep
SiamCAR代码复现--Windows
Yolocy的博客
06-07 2195
第一步：环境配置先在GitHub上下载SiamCAR论文的代码，附上下载地址https://github.com/ohhhyeahhh/SiamCAR论文地址：https://arxiv.org/abs/1911.07241按照GitHub上给的要求pip install -r以下包numpypytorch==1.2.0opencv-pythonpyyamlyacstqdmcoloramamatplotlibcythontensorboardX第二步：下载模型Github上给出了模型的百度云下载路径gene
SiamFC++ && SiamCAR &&SiamBAN
surprising
04-05 4171
文章目录IntroductionRelated WorksSiamFC++Experiments 这是旷视（Megvii）2020年发表AAAI的一篇论文 论文地址：SiamFC++ 代码地址：code 从题目看出此论文提出来鲁棒且精确跟踪的目标估计Guidelines，题眼就是Guidelines 视觉跟踪问题需要在给定目标下，同时有效的执行分类和精确的目标状态估计（也就是得到bbox）,基于仔...
SiamCAR:Siamese Fully Convolutional Classification and Regression for Visual Tracking
weixin_46365033的博客
05-18 3059
文章目录AbstractIntroductionProposed MethodFeature ExtractionBounding Box PredictionThe Tracking Phase值得关注的几个问题Q1:输入的图片大小不一？Q2:在两者做相关性之前，如何得到特征图？ Abstract 通过将视觉跟踪任务分解为两个子问题（像素类别的分类和该像素处的边界框的回归），本文以逐像素的方式提出了全卷积Siamese网络来解决视觉跟踪问题。 该框架由两个简单的子网络组成：一个用于特征提取，另一个用于边界
SiamCAR的详细解答，一看就会，不会请打我
热门推荐
cxkyxx的博客
10-09 1万+
首先提一句：这篇论文虽然是今年CVPR的oral，但是它的整体思路与SiamBAN基本相同。所以在本篇论文中我将主要的重点放在与SiamBAN不同的地方。 我之前的关于SiamBAN的博客。 整体把握 本篇论文通过anchor-free的策略，将网络的回归输出变成了特征图映射在搜索补丁上点与选定的gt框四条边的距离。通过观察分类得分图和中心度得分图，决定最佳目标中心点。然后提取最佳目标中心点与gt框四条边的距离，得到预测框，从而实现跟踪。具体的过程如下所示： #mermaid-svg-3wMaNEknLF1
[VOT3](2020CVPR)SiamCAR：Siamese Fully Convolutional Classification and Regression
m0_37412775的博客
04-05 3262
论文地址：https://arxiv.org/abs/1911.07241 作者源码地址： Abstract 做法：本文将视觉跟踪任务分解为两个问题：像素级别的分类问题+在该像素上目标框的回归问题，提出了一个新颖的全卷积孪生网络SiamCAR以端到端的方式在像素级别解决目标跟踪问题。 具体做法：SiamCAR包括2个简单的子网络：一个用于特征提取的孪生子网+一个用于目标框预测的分类回归子网，以ResNet50为backbone。不同于SiamRPN, SiamRPN++, SPM这些基于region p.
SiamCAR笔记
qq_41434501的博客
11-01 866
本文将视觉跟踪任务分解为两个问题：像素级别的分类问题+在该像素上目标框的回归问题，提出了一个新颖的全卷积孪生网络SiamCAR以端到端的方式在像素级别解决目标跟踪问题。
Siamese-RPN_code
11-22
目标跟踪算法的代码实现,精度在vot2018排名第一,鲁棒性很强.
Residual Attention Network for Image Classification 相关复现代码
08-03
使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上，这个feature map叫做 attention map，与原来的feature map 进行element-wise product的操作，相当于一个权重器，增强有意义的特征...
96原版_96年mpc论文代码复现_
10-04
在IT领域，特别是计算机科学与工程中，代码复现是一项重要的技能，它涉及到对已有算法或研究的重新实现，以验证其正确性、理解和优化。本项目“96原版_96年mpc论文代码复现”显然是针对1996年的一篇关于模型预测控制...
point-nerf复现代码
05-30
point-nerf复现代码，github上提供的源码比较乱，而且在复现的时候一直出现bug，于是在测试point-nerf时将里面的代码进行了更改。在源码的基础上，将nerf_synth360_ft_dataset.py；evaluate.py；test_ft.py；...
meshCNN分割准确率复现 - 使用官方代码
最新发布
08-27
使用MeshCNN官方代码复现了其分割准确率，除了在chairs上的分割准确率偏低，其余均与论文一致 (相差不大，有高有低，大致相同)。 checkpoints文件包含： 1. 四个分割数据集的准确率testacc_log.txt以及最终生成的...
SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking
qq_38680752的博客
07-14 7661
本译文为了方便自我阅读，有能力请阅读原版：https://arxiv.org/abs/1911.07241 摘要 通过将视觉跟踪任务分解为两个子问题，分别是像素类别的分类和该像素处对象边界框的回归，提出了一种新的全卷积孪生网络，以逐像素的方式解决端到端的视觉跟踪问题。该框架由两个简单的子网组成：一个用于特征提取的孪生子网和一个用于边界框预测的分类回归子网。 SiamCAR采用在线训练和离线跟踪的策略，在训练过程中不使用任何数据增强。 主要贡献有： 提出孪生分类和回归框架用于跟踪，框架结构简单，性能强大。 提
2020-10-28
weixin_44287997的博客
10-28 880
SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking 小左先生 ...
目标跟踪与定位学习笔记6-用于视觉跟踪的孪生全卷积分类和回归论文阅读
qq_33977080的博客
05-13 776
阅读论文的步骤：查阅文献->阅读文献->文献复现->找文献的不足进行改进->研究出成果 1. 论文思路 通过将目标跟踪任务分解为像素级别的分类和在像素处对象边界框回归的两个子问题，提出一种新的全卷积孪生神经网络，以每个像素方式端到端的解决视觉跟踪问题。SiamCAR由两个简单的子网构成：一个用于特征提取的Siamese subnetwork和一个用于边界盒预测的分类回归子网络。框架以ResNet50为骨架网络。 SOTA的方法SiamRPN，SiamRPN++和SPM都是基于区域的，
siamcar: siamese fully convolutional classification and regression for visual tracking
03-16
SiamCar是一种基于全卷积神经网络的视觉跟踪算法，可以同时进行分类和回归。它采用了Siamese网络结构，通过学习目标和背景之间的相似度来实现目标跟踪。SiamCar在目标跟踪领域取得了很好的效果，成为了当前最先进的跟踪算法之一。

“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 1
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