ubuntu linux复现DETR遇到的一些问题

最新推荐文章于 2024-10-20 16:00:40 发布
最新推荐文章于 2024-10-20 16:00:40 发布
阅读量719 收藏
点赞数
文章标签： linux ubuntu git python 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_41437008/article/details/121971073
版权
本文介绍了在克隆Facebook Research的DETR项目时遇到的`git not found`和`TLS连接问题`，并提供了通过更新包管理器、取消代理设置以及安装PyTorch的解决方案。适合初学者理解GitHub操作和解决常见技术难题。
摘要由CSDN通过智能技术生成

根据论文源码https://github.com/facebookresearch/detr首先克隆存储库

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

报错：-bash: git: command not found
解决办法：

sudo apt-get update
sudo apt-get install git-core
git --version

再执行git clone又报了下面的错误

fatal: unable to access 'https://github.com/facebookresearch/detr.git/'
最低0.47元/天 解锁文章
Elory-y
关注
【RT-DETR有效改进】手把手带你调参RT-DETR，1：1复现官方版本实验环境
Snu77的博客
01-29 4842
本文是带大家进行调参，利用ultralytics仓库1：1复现RT-DETR官方实验环境，从而在后期发表论文 的时候省去一些不必要的麻烦，例如被审稿人提出质疑，本文的调参内容均有依据，根据RT-DETR官方Github上发布的版本进行设置本文的调参以ResNet18为例，其余的何其的调参基本一致。RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR。
【模型复现】全局上下文推理检测模型—DETR的快速复现
m0_60673947的博客
03-29 4793
【模型复现】全局上下文推理检测模型—DETR的快速复现 极链AI云 注册链接 关注极链AI云公众号，学习更多知识！ 文章目录【模型复现】全局上下文推理检测模型—DETR的快速复现一、模型详情1.1 模型简介：1.2 关键词：1.3 应用场景：1.4 结构：1.5 论文地址：1.6 模型来源：二、平台环境准备2.1 打开极链AI云平台2.2 点击模型2.3 选择并创建实例2.4 使用jupyterlab连接三、模型复现3.1 打开终端3.2 准备数据集3.3 模型推断3.4 模型训练3.5 模型
【初探DETR】UP-DETR 复现
kuoyang的博客
10-28 1231
项目链接：https://github.com/dddzg/up-detr 论文：https://arxiv.org/abs/2011.09094 UP-DETR 遵循两个步骤：预训练和微调。展示了在 ImageNet 上预训练的模型，然后在 COCO 上进行了微调。 环境：在两块2080ti下运行。 预训练 设置‘“--imagenet_path” “--output_dir” 两个地址 单显卡 直接运行是单显卡，多显卡需要额外设置。 在运行之后会报错，RuntimeError: Dis.
DETR代码复现
张小达哒的博客
12-19 4814
本文来自官方，链接（需要科学上网）：Google Colab 论文链接：https://arxiv.org/abs/2005.12872 GitHub：https://github.com/facebookresearch/detr Object Detection with DETR - a minimal implementation In this notebook we show a demo of DETR (Detection Transformer), with slight differen
【目标检测--detr源码复现】
m0_57114626的博客
10-20 1046
DEtection TRansformer（DETR）是Facebook AI的研究者提出的Transformer的视觉版本，用于目标检测和全景分割。这是第一个将Transformer成功整合为检测pipeline中心构建块的目标检测框架。
Facebook AI团队的DETR模型代码复现
weixin_51345015的博客
11-16 2741
5.开始训练，Facebook AI 团队训练了 300 个 epoch，这里推荐修改 为 100，修改自己数据集位置 train2017 和 val2017 以及标注文件的路径，修改自己权重文件路径，开始训练， 训练完成之后会在output生成自己的训练模型 check 什么文件，记住他的路径。这个是我手机上编辑的，所以没放图片，代码里面需要修改的地方我都加了注释，参考文章里面也都有，大差不差，下面有我训练完成的录屏，大家有问题可以评论区讨论以及私信，看见就会回复。上面是所有的代码，大家可自取。
目标检测——detr源码复现【 End-to-End Object Detection with Transformers】
lzh的博客
12-24 6640
detr目标检测
detr复现
weixin_46559458的博客
10-10 508
detr系列复现
DETR.detectron2:基于detectron2的DETR实现
04-13
基于cvpods的DETR DETR.detectron2已被弃用。 请查看我们基于新实现，该实现更加用户友好。 指示 从安装cvpods cd detr.res50.c5.coco.multiscale.150e.bs16 pods_train --num-gpus 8 结果 配置 可可AP 纸 检查...
复现deformable detr
最新发布
01-03
### 关于复现Deformable DETR模型实现和设置 #### 1. 准备环境 为了成功复现 Deformable DETR 模型，首先需要准备合适的开发环境。建议使用 Anaconda 创建独立的 Python 环境以管理依赖项。 ```bash conda create ...
对象检测DETR
02-08
对象检测DETR
Deformable DETR
05-03
Deformable DETR 模型的两个官方权重文件： r50_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage-checkpoint.pth r50_deformable_detr_plus_iterative_bbox_refinement-checkpoint.pth
windows10复现DEtection TRansformers（DETR）并实现自己的数据集
热门推荐
w1520039381的博客
07-19 2万+
DEtection TRansformers（DETR） DEtection TRansformer（DETR）是Facebook AI的研究者提出的Transformer的视觉版本，用于目标检测和全景分割。这是第一个将Transformer成功整合为检测pipeline中心构建块的目标检测框架。 1、代码地址Github：https://github.com/facebookresearch/detr 2、论文地址：End-to-End Object Detection with Transformers
【传知代码】DETR[端到端目标检测]（论文复现）
ztK63LrD的博客
06-08 1931
在进行目标检测时，需要大量手动设计的组件，比如非极大值抑制（NMS）和基于人工经验生成的先验框（Anchor）等。DETR在其文章中，将目标检测视为一个直接的集合预测任务，从而减少了对人工组件设计的依赖，并使目标检测流程更为简洁。当提供一组固定的、可学习的目标查询DETR来推断目标与全局图像之间的上下文关系时，由于DETR没有先验框的限制，这将使其在预测较大物体时表现得更为出色。如下图展示的是DETR的核心框架。由于直接使用了transformer的结构，这导致模型的计算需求增加。
[深度学习][原创][课程]DETR训练自己的目标检测数据集ubuntu版
FL1623863129的博客
05-29 555
DETR训练自己的目标检测数据集ubuntu版 课程地址：https://download.csdn.net/course/detail/37382 无限期视频有效期 13节节数 熟悉众多计算机编程语言，开发众多windows程序,长期致力于图像算法、深度学习方面研究工作 课程介绍 课程目录 讨论留言 你将收获 1、学会ubuntu上cuda+cudnn安装 2、学会ubuntu上显卡驱动安装 3、学会DETR检测模型的调用 4、学会如何训练自己的DETR目标检测模型 适用人群 想
百度飞桨顶会论文复现营DETR解读笔记
SSyangguang的博客
06-02 3390
百度飞桨顶会论文复现营DETR解读笔记 目标检测两个关键子任务：目标分类和目标定位。 DETR模型是将目标检测视为集合预测（set prediction）的方式，将训练和预测做到真正的端对端，不需要NMS的后处理，也不需要人为设置anchor。核心是1.set-based的全局Loss，使用二分图匹配生成唯一的预测；2.基于encoder-decoder的transformer。 CNN代表图像特征编码的backbone，transformer后面的输出是最终预测的结果集合，transformer
DETR复现：基于transformers的目标检测
weixin_54730575的博客
07-03 894
修改models/detr.py文件，build()函数中，可以将红框部分的代码都注释掉，直接设置num_classes为自己的类别数+1。新建py文件，mydataset.py，使用如下代码，修改num_classes为自己的类别数+1。打开Anaconda Prompt 创建并激活环境detr-main,这里要用到的只有创建与激活。有时候网站不好用，网站下载速度较慢，可以选择百度网盘下载，一搜就能搜到。生成pth文件 detr-r50-e632da11.pth。3.下载预训练权重文件，生成pth文件。
项目复现 | DETR：利用transformers端到端的目标检测
weixin_44649780的博客
09-12 5793
论文：End-to-End Object Detection with Transformers论文详解地址：方法一。
评论
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