Windows复现SiamCAR代码遇到的报错与解决方法

最新推荐文章于 2024-06-18 16:57:14 发布
最新推荐文章于 2024-06-18 16:57:14 发布
阅读量349 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 1740
siamcar训练
SiamCAR代码复现--Windows
Yolocy的博客
06-07 2165
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
SiamCAR:Siamese Fully Convolutional Classification and Regression for Visual Tracking
weixin_46365033的博客
05-18 3052
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
目标追踪与定位实验笔记1-项目配置篇SiamCAR代码
qq_33977080的博客
06-09 1684
首先 在命令行中输入 anaconda-navigator 新建anaconda环境 选择python版本 然后点击确定 在pycharm中选择对应项目，进行环境配置 file -> settings -> project: -> python Interpreter 然后选择我们创建好的python环境 在pycharm终端下 cd /home/username/下载 pip install torch-1.8.0+cu111-cp36-cp36m-linux_x86_64.w.
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
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...
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
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...
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.
96原版_96年mpc论文代码复现_
10-04
对96年经典论文进行代码复现，有助于大家理解
SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking 源码配置
ZeroSwift的博客
02-04 878
第一步，配置环境 在SiamCAR的Github主页下载SiamCAR源文件。 由于在国内的pytorch不太好下载，因此将requirenment.txt文件中的pytorch==1.2.0这一项删除，并去这个页面下载。 由于笔者安装的是CUDA10.2，因此我选择下载了torch-1.7.1-cp37-cp37m-win_amd64.whl 使用下列命令安装所需求的库，并安装pytorch。 pip install -r requirements.txt pip install torch-
SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking
qq_38680752的博客
07-14 7642
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
Siam-FC代码，逐行超详细解读。
qq_44848127的博客
05-11 3264
代码来源于https://github.com/StrangerZhang/SiamFC-PyTorch 本篇为demo.py程序逐行解读
SiamFC++ && SiamCAR &&SiamBAN
surprising
04-05 4163
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 阅读记录
ZeroSwift的博客
02-02 773
将视觉跟踪任务分解成两个子任务：像素分类和边界框回归 SiamCAR框架包含两个子网络：一个用于特征提取，一个用于预测边界框 使用ResNet-50作为主干网络 与其他的最先进的跟踪算法比较，本文提出的框架是描点自由和无提议区域，这样能够避免复杂的超参数调整和减少人工干涉 所提出的框架简单，有效 在现实生活中的跟踪，算法会受到光照变化，尺度变化大，背景干扰和严重遮挡问题 除上述外，非刚性的物体的形状或者外观会发生不可预知的变化 Siamese网络将视觉跟踪任务定义为目标匹配问题，目的是学习目标模板和搜索..
siamGAT跟踪过程理解
的博客
10-19 1402
在阅读到3.3. The Tracking Phase时，作者提到跟踪的目的是预测当前帧中目标的边界框。对于位置（i，j），建议的框架可以产生6D向量Tij=（cls，cen，l，t，r，b），其中cls表示分类的前景分数，cen表示中心度socre，l+r和t+b表示当前帧中目标的预测宽度和高度。在跟踪过程中，边界框的大小和纵横比在连续帧中通常会发生较小的变化。为了使用这种时空一致性监督预测，我们采用了[3]中介绍的尺度变化惩罚pij对分类分数cls进行重新排序，它允许更新的6D向量P Tij=（clsi
动手学深度学习（Pytorch版）代码实践 -深度学习基础-09过拟合与欠拟合
最新发布
李思成的博客
06-18 381
【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-09过拟合与欠拟合。
slowfast 代码复现 windows
05-21
以下是在 Windows 系统上复现 SlowFast 模型代码的一些步骤： 1. 安装 Anaconda 在 Windows 上安装 Anaconda，下载地址为：https://www.anaconda.com/products/distribution。 2. 创建 Python 虚拟环境 在 Anaconda Prompt 中，使用以下命令创建 Python 虚拟环境： ``` conda create -n slowfast python=3.7 ``` 激活虚拟环境： ``` conda activate slowfast ``` 3. 安装 PyTorch 在 PyTorch 官网上选择适合自己环境的版本并按照官方指引安装，地址为：https://pytorch.org/get-started/locally/。 例如，如果使用 CPU 版本的 PyTorch，可以使用以下命令安装： ``` conda install pytorch cpuonly -c pytorch ``` 4. 安装其他依赖项 SlowFast 还需要安装其他依赖项，包括 torchvision、pyyaml、tqdm、termcolor、h5py、opencv-python 和 decord。可以使用以下命令安装： ``` pip install torchvision pyyaml tqdm termcolor h5py opencv-python decord ``` 5. 下载代码 可以从 SlowFast 的 GitHub 仓库中下载代码：https://github.com/facebookresearch/SlowFast。 可以使用以下命令克隆仓库： ``` git clone https://github.com/facebookresearch/SlowFast.git ``` 6. 运行代码 在克隆的代码目录中，可以使用以下命令运行示例： ``` python tools/run_net.py --cfg configs/Kinetics/c2/SlowFast_8x8_R50.yaml ``` 注意，运行前需要下载 Kinetics 数据集并按照官方指引进行预处理。 以上是在 Windows 系统上复现 SlowFast 模型代码的一些基本步骤，具体操作还需要根据实际情况进行调整。

“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