MMdetection
文章平均质量分 82
qq_41627642
这个作者很懒,什么都没留下…
展开
-
MMdetection模型运行错误RuntimeError: CUDA error: no kernel image is available for execution on the device
如何查找服务器的 cuda 环境变量 TORCH_CUDA_ARCH_LIST。原创 2024-07-20 18:13:13 · 222 阅读 · 0 评论 -
MMDet 第三季度更新
MMDet 第三季度更新原创 2023-12-29 15:45:57 · 514 阅读 · 0 评论 -
NMS
Soft NMS论文《Improving Object Detection With One Line of Code》1、Soft-NMS原理及实现1.动机非最大抑制(Non-maximum suppression, NMS)是物体检测流程中重要的组成部分(如下图划线部分)。NMS算法首先按照得分从高到低对建议框进行排序,然后分数最高的检测框M被选中,其他框与被选中建议框有明显重叠的框被抑制。该过程被不断递归的应用于其余检测框。根据算法的设计,如果一个物体处于预设的重叠阈值之内,可能会导致检测不到原创 2020-07-30 09:12:32 · 1257 阅读 · 1 评论 -
OpenMMLab MMYOLO目标检测应用示例与常见问题(三)
数字电离图是获取实时电离层信息的最重要方式。电离层结构检测对于准确提取电离层关键参数具有重要的研究意义。本研究利用中国科学院在海南、武汉和怀来获得的4311张不同季节的电离图建立数据集。使用labelme手动注释包括 Layer E、Es-l、Es-c、F1、F2 和 Spread F 在内的六个结构。数据集准备下载数据后,将其放在MMYOLO存储库的根目录下,并使用(for Linux)解压到当前文件夹。解压后的文件夹结构如下:unzip test.zipIono4311/原创 2023-09-20 17:43:52 · 486 阅读 · 0 评论 -
OpenMMLab MMYOLO目标检测环境搭建(一)
对于目标检测中的非开放世界数据集,训练和测试都是在一组固定的类上进行的,当应用于未经训练的类的图像时,有可能产生误报。论文指出,Mosaic+MixUp 可以大幅提升目标检测性能,但训练图片与自然图片的真实分布相去甚远,而且 Mosaic 大量的裁剪操作会带来很多不准确的标签框,因此,YOLOX 提出将去掉最后15个epoch的强增强,改用较弱的增强,这样检测器就可以避免不准确标记框的影响,在自然图片的数据分布下完成最终的收敛。首先,海报上的人与真人非常相似,而且人群密集的地方确实存在难以标注的人。原创 2023-09-11 14:30:19 · 2304 阅读 · 0 评论 -
OpenMMLab MMDetectionV3.1.0-SAM(环境安装、模型测试、训练以及模型后处理工具)
(1)detector_sam_demo.py:用于对单个图像和图像文件夹进行检测和实例分割。(2)coco_style_eval.py:用于对给定的 COCO JSON 进行推理、评估和导出。(3)browse_coco_json.py:用于可视化导出的 COCO JSON。(4)images2coco.py:用于基于用户自己的图像文件夹的自定义和未注释的 COCO 风格 JSON。此 JSON 可以用作coco_style_eval.py.原创 2023-08-02 15:31:24 · 2585 阅读 · 3 评论 -
OpenMMLab MMTracking目标跟踪环境搭建(一)
mmcv 仅在 PyTorch 1.x.0 上编译,因为兼容性通常在 1.x.0 和 1.x.1 之间。如果你的PyTorch版本是1.x.1,你可以安装用PyTorch 1.x.0编译的mmcv,通常效果很好。b. 如果您想使用opencv-python-headless而不是opencv-python,可以在安装 MMCV 之前安装它。按照上述说明,MMTracking 安装在devmode 下,任何本地对代码的修改都会生效,无需重新安装。安装构建需求,然后安装MMTracking。原创 2023-07-13 19:46:28 · 1274 阅读 · 0 评论 -
MMTracking 目标跟踪(MOT) 解读系列(二)
上新!MMTracking 单目标跟踪任务食用指南MMTracking 多目标跟踪(MOT)任务的食用指南ECCV22 | ByteTrack:简单、高效、实用的多目标跟踪方法最新上线!MMTracking 视频实例分割篇食用指南原创 2023-06-30 09:51:15 · 1153 阅读 · 0 评论 -
OpenMMLab MMdetection 目标检测模型系例文章(一)
1、是时候该学会 MMDetection 进阶之非典型操作技能(一)2、显著提升模型精度!一文教你加载 MMRazor 轻量级骨干网络应用下游任务–以 MMYOLO 为例3、MMDetection 支持数据增强神器 Simple Copy Paste 全过程4、超 10 个点的提升! Open Images 在 MMDetection 的实现5、ResNet 高精度预训练模型在 MMDetection 中的最佳实践6、YOLOX 在 MMDetection 中复现全流程解析7、 轻松掌握 MMD原创 2023-06-29 18:03:49 · 742 阅读 · 0 评论 -
模型部署入门教程 TorchScript 解读系列(二)
想要模型部署玩得好,这些我们要知道:MMDeploy 进展一览模型部署入门教程(一):模型部署简介模型部署入门教程(二):解决模型部署中的难题模型部署入门教程(三):PyTorch 转 ONNX 详解模型部署入门教程(四):在 PyTorch 中支持更多 ONNX 算子模型部署入门教程(五):ONNX 模型的修改与调试模型部署入门教程(六):实现 PyTorch-ONNX 精度对齐工具模型部署入门教程(七):TensorRT 模型构建与推理模型部署入门教程(八):如何添加 TensorRT原创 2023-06-29 09:29:37 · 188 阅读 · 0 评论 -
MMSegmentation V0.27.0官方问题(包含多尺度设置)与技术改进文章整理(四)
添加链接描述。原创 2023-06-20 16:46:51 · 1261 阅读 · 1 评论 -
MMCV1.6.0之Runner/Hook/LrUpdaterHook(学习率配置参数和函数)
无原创 2023-02-13 15:37:40 · 820 阅读 · 0 评论 -
MMDetection V3x 的框架概述与环境搭建(一)
无原创 2023-02-07 15:11:44 · 647 阅读 · 0 评论 -
旋转框目标检测mmrotate v0.3.1 训练DOTA数据集(三)——配置文件优化技巧
无原创 2022-11-21 10:56:53 · 3072 阅读 · 1 评论 -
深度学习之目标检测模型后处理(非极大值抑制与WBF)
无原创 2022-10-10 09:04:19 · 3185 阅读 · 0 评论 -
Swin-Transformer-Object-Detection V2.11.0 visdrone数据训练后日志文件、结果文件的显示、测试与评估(三)
1、模型训练结果的分析(训练结果可视化,以及训练时间计算)1、可视化训练的loss结果python tools/analysis_tools/analyze_logs.py plot_curve [--keys ${KEYS}] [--title ${TITLE}] [--legend ${LEGEND}] [--backend ${BACKEND}] [--style ${STYLE}] [--out ${OUT_FILE}]绘制一些运行的分类和回归损失,并将图保存为pdfpython tool原创 2022-05-19 16:27:12 · 1202 阅读 · 3 评论 -
Swin-Transformer-Object-Detection V2.11.0 训练visdrone数据(二)
文件结构.├── coco_exps├── configs #configs主要修改的部分在这里,训练config也是从这里继承的│ ├── albu_example│ ├── atss│ ├── _base_ #最根本的继承│ │ ├── datasets #存在着不同数据集的训练方法,包含train_pipeline(augmentation), test_pipeline(TTA), data(batch_size, data ro原创 2022-05-17 23:35:53 · 3704 阅读 · 2 评论 -
Swin-Transformer-Object-Detection V2.11.0环境搭建(一)
Swin-Transformer-Object-Detection环境搭建1、 Swin-Transformer-Object-Detection系列版本Swin-Transformer-Object-Detection2 MMdetection系列版本mmdetection3、 MMDetection和MMCV兼容版本4、Installation(Linux系统环境安装)1、pytorch 与cudn的匹配版本2、创建虚拟环境并安装pytorchconda cr原创 2022-05-16 18:20:06 · 1045 阅读 · 0 评论 -
MMDetection系列之 ONNX TO TENSORRT
如何转换模型从ONNX到TensorRTusagepython tools/deployment/onnx2tensorrt.py \ ${CONFIG} \ ${MODEL} \ --trt-file ${TRT_FILE} \ --input-img ${INPUT_IMAGE_PATH} \ --shape ${INPUT_IMAGE_SHAPE} \ --min-shape ${MIN_IMAGE_SHAPE} \ --max-shape原创 2022-05-16 14:58:02 · 485 阅读 · 0 评论 -
MMDetection系列之(PTYORCH TO ONNX)
尝试新的MMDeploy来部署你的模型如何转换模型从Pytorch到ONNXUsagepython tools/deployment/pytorch2onnx.py \ ${CONFIG_FILE} \ ${CHECKPOINT_FILE} \ --output-file ${OUTPUT_FILE} \ --input-img ${INPUT_IMAGE_PATH} \ --shape ${IMAGE_SHAPE} \ --test-img ${TES原创 2022-05-16 14:37:40 · 3361 阅读 · 1 评论 -
MMDetection系列之(迁移学习)
CocO数据集上预训练的检测器可以作为其他数据集的良好预训练模型,如CityScapes和KITTI数据集。本教程为用户提供使用Model Zoo中提供的模型获取其他数据集的更好性能的指导。在新数据集上微调模型有两个步骤。Add support for the new dataset following Tutorial 2: Customize Datasets.Modify the configs as will be discussed in this tutorial以Cityscapes原创 2022-05-16 14:01:35 · 1075 阅读 · 0 评论 -
Microsoft COCO: Common Objects in Context - 目标检测评估 指标(Detection Evaluation)
参考博客coco官网原创 2022-05-12 00:26:31 · 1351 阅读 · 0 评论 -
MMDetection系列之(自定义损失函数)
MMDetection为用户提供不同的丢失功能。但是默认配置可能不适用于不同的数据集或模型,因此用户可能希望修改特定的损失以适应新的情况。计算管道的损失给定输入预测和目标,以及权值,损失函数将输入张量映射到最终损失标量。映射可以分为四个步骤:设置采样方式为正采样和负采样。通过损失核函数获得元素或样本的损失。3.明智地用一个权张量元素对损失进行加权。将损失张量降为标量。用标量对损失进行加权。1、Set sampling method (step 1)对于某些损失函数,需要采取抽样策略来避原创 2022-05-13 18:50:20 · 941 阅读 · 0 评论 -
MMDetection 系列之高级指南(自定义运行设置之优化器、其他设置、学习率、工作流、有用的和自定义钩子)
Pytorch支持的自定义优化器我们已经支持使用所有由PyTorch实现的优化器,唯一的修改就是更改配置文件的优化器字段。例如,如果您想要使用ADAM(注意性能可能会下降很多),修改可以如下所示。optimizer = dict(type='Adam', lr=0.0003, weight_decay=0.0001)要修改模型的学习率,用户只需修改optimizer配置中的1r即可。用户可以直接在PyTorch的API文档添加链接描述后面设置参数。定制self-implemented优化器1、D原创 2022-05-13 17:51:45 · 4825 阅读 · 1 评论 -
MMDetection V3系列高级指南之(自定义模型)
我们基本上将模型组件分为5种类型。backbone:通常是一个FCN网络提取特征地图,如ResNet, MobileNet。neck:在脊骨和头部之间的部位,如:FPN, PAFPN…head:用于特定任务的组件,如框预测、掩码预测等。roi提取器:用于从特征映射中提取Rol特征的部分,如Rol Align。loss:头部用于计算损耗的组件,如FocalLoss, L1Loss, GHMLoss。backbone: usually an FCN network to extract featur原创 2022-05-13 16:37:20 · 3070 阅读 · 3 评论 -
MMDetection 系列之(自定义数据管道和引入Albumentations库处理增强管道)(四)
数据管道设计遵循典型约定,我们使用Dataset和DataLoader对多个worker进行数据加载。数据集返回与模型的forward方法的参数相对应的数据项字典。由于目标检测中的数据可能不相同大小(图像大小,gt box大小等),我们在MMCV中引入了一个新的DataContainer类型,以帮助收集和分发不同大小的数据。查看这里了解更多细节。对数据准备管道和数据集进行分解。数据集通常定义如何处理注释,数据管道定义准备数据字典的所有步骤。管道由一系列操作组成。每个操作都接受一个字典作为输入,并输出一个原创 2022-05-13 16:07:36 · 3792 阅读 · 0 评论 -
MMdetection v2.4.0之(支持的数据集目录结构、转化标准数据集和定制自定义数据集)
要支持新的数据格式,可以将它们转换为现有格式(COCO格式或PASCAL格式),也可以直接将它们转换为中间格式。您还可以选择离线转换(在通过脚本进行训练之前)或在线转换(实现一个新的数据集并在训练时进行转换)。在MMDetection中,我们建议将数据转换为coco格式并离线进行转换,这样你只需要在数据转换后修改配置的数据注释路径和类。1、将新的数据格式重新组织为现有格式最简单的方法是将数据集转换为现有的数据集格式(COCO或PASCAL VOC)。oco格式的注释json文件有以下必要的键:'im原创 2022-05-13 14:39:25 · 2388 阅读 · 1 评论 -
MMdetection系列之Config配置文件(V3更新后)
如果你想查看配置文件, 你可以运行python tools/misc/print_config.py /PATH/TO/CONFIG to see the complete config.使用现有模型对给定图像进行推理..在标准数据集上测试现有模型。在标准数据集上训练预定义模型。...原创 2022-05-12 17:20:35 · 5463 阅读 · 3 评论 -
MMDeteceion V3版之系列一(环境安装、模型测试、训练以及模型后处理工具)
1、MMDeteceion初识MMDetection是一款优秀的基于PyTorch的深度学习目标检测工具箱,由香港中文大学(CUHK)多媒体实验室(mmlab)开发。基本上支持所有当前SOTA二阶段的目标检测算法,比如faster rcnn,mask rcnn,r-fcn,Cascade-RCNN等。读者可在 PyTorch 环境下测试不同的预训练模型及训练新的检测分割模型。根据 GitHub 项目所述,MMDetection的主要特征可以总结为以下几个方面:模块化设计:将检测或者分割任务分解成几个模原创 2022-05-06 18:21:05 · 7280 阅读 · 3 评论 -
MMDeteceion之系列二(基准和模型介绍概述)
基准和模型常用设置所有FPN基准和RPN-C4基准均使用8个GPU进行训练,批处理大小为16(每个GPU 2张图像)。其他C4基线使用8个批处理大小为8的GPU进行了训练(每个GPU 1张图像)。所有模型都在coco_2017_train上训练以及在coco_2017_val测试。我们使用分布式训练,并且BN层统计信息是固定的。我们采用与Detectron相同的训练时间表。1x表示12个epoch,而2x表示24个epoch,这比Detectron的迭代次数略少,并且可以忽略不计。ImageNe原创 2022-05-06 15:00:34 · 546 阅读 · 0 评论 -
深度学习目标检测数据VisDrone2019(to yolo / voc / coco)---MMDetection数据篇
1、VisDrone2019数据集介绍配备摄像头的无人机(或通用无人机)已被快速部署到广泛的应用领域,包括农业、航空摄影、快速交付和监视。因此,从这些平台上收集的视觉数据的自动理解要求越来越高,这使得计算机视觉与无人机的关系越来越密切。我们很高兴为各种重要的计算机视觉任务展示一个大型基准,并仔细注释了地面真相,命名为VisDrone,使视觉与无人机相遇。VisDrone2019数据集由天津大学机器学习和数据挖掘实验室AISKYEYE团队收集。基准数据集包括288个视频片段,由261908帧和10209幅静原创 2022-05-11 18:36:02 · 36884 阅读 · 20 评论