编译faster rcnn或mask rcnn的extension问题

最新推荐文章于 2023-04-16 20:59:20 发布
最新推荐文章于 2023-04-16 20:59:20 发布
阅读量829 收藏 4
点赞数
分类专栏： 坑
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_42275073/article/details/119732181
版权

按照github的readme执行，一般会先运行build.py文件编译nms和roi pooling或roi align。
但一般这一步都会出现一个问题：

ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead

网上其他的解决方案一般是：使用from torch.utils.cpp_extension import BuildExtension替换from torch.utils.ffi import create_extension，并且将code中的create_extension也全部替换掉，你们可以试试，但一般都会报错：

dist must be a Distribution instance

新坑又出现了……

其实原始的错误貌似是因为setuptools的版本太新了，所以最直接的解决办法就是降低版本。

还有一种解决办法可以参考https://github.com/facebookresearch/maskrcnn-benchmark/，extension的创建以及setup.py的作用均等同于老版的faster rcnn中的nms或roi pooling部分的build.py，当然具体代码我还没有研究，但有大佬已经提前做好了faster rcnn 1.0的代码，https://github.com/jwyang/faster-rcnn.pytorch/blob/pytorch-1.0/。

文件夹66
关注
专栏目录
基于mask rcnn的三维物体分割
luodoudoudou的博客
05-29 1930
前言 最近迷上了mask rcnn，也是由于自己工作需要吧，特意研究了其源代码，并基于自己的数据进行训练~ 本博客参考https://blog.csdn.net/disiwei1012/article/details/79928679#commentsedit 实验目的哎~说多了都是泪，谁让我是工科生呢？只能检测工件了。。。做不了高大上的东西了，哈哈！ 主要参考及工具 基于Mask RCNN开源项...
编译py-faster-rcnn的问题汇总及解决方法
生如蚁，美如神
10-17 7370
按照官网 的提示，我开始安装faster rcnn，但是出现了很多问题，我将其汇总了起来，并提出了解决办法。 先说明一下我的配置： python : anaconda2 linux: centos 6.9 安装faster rcnn请先参考：《cuda8+cudnn4 Faster R-CNN安装塈运行demo》 与 《使用cuDNN5编译py-faster-rcnn错误：cudnn.hpp(1
编译Faster R-CNN源码中的make.sh文件
贾路飞的博客
03-13 3791
学习Faster R-CNN时在github上下载了一位前辈的代码，此代码需要编译一个make.sh文件才能正常运行，编译过程如下： 第一步：按照代码说明中的要求，配置好运行环境 Ubantu18.04+pytorch0.4.1+python3.5+cuda10.1+cudnn7.6.5，其中cuda可以是其它可行版本。 第二步：编译make.sh文件 在上述的虚拟环境中，编译faster...
Faster rcnn 中的nms解读
gbyy42299的博客
05-22 7077
最近在看faster rcnn相关的东西，也真好碰巧面试遇到手写nms代码这个环节，故本文将其记录下来以备日后使用。import numpy as np    def py_cpu_nms(dets, thresh):      """Pure Python NMS baseline."""      # 所有图片的坐标信息，字典形式储存？？      x1 = dets[:, 0]      y...
自己的完整c++ cuda包
zxyOVO的博客
04-16 1223
使用编辑器clion，安装好cudatoolkit，cudnn，pytorch环境，编译工具gcc等等。记得要设置好cudatoolkit的环境变量和动态链接库，这样到时候才能找到cudatoolkit和cudnn安装教程可看。
Faster RCNN pytorch 1.0版调试（踩坑）过程记录
sinat_35862942的博客
06-23 3731
本博客记录了用pytorch实现的faster rcnn代码，完成VOC2007数据集，以及个人数据集的训练及测试过程。比较少做目标检测方向的实验，花了点时间调通代码，记录一下填坑过程。 前言 Faster RCNN是一个很成熟的two-stage目标检测算法，由Kaiming He等大神在2015年提出。该算法在2015年的ILSVRV和COCO竞赛中获得多项第一，在VOC2007+2012数据集和COCO数据集上有很客观的mAP,同时利用所提出的RPN网络大幅提升了测试阶段的速度。整个RCNN系列的目标
faster rcnn或bottom up attention编译lib时6/include/stddef.h(436): error: identifier “nullptr“ is undefin
deepSTEM的博客
07-10 725
解决这个问题花了我近一天半的时间，真是翻尽了百度、谷歌的网页，现将问题和对应的解决方法记录如下： 报错提示： python setup.py build_ext --inplace running build_ext skipping 'utils/bbox.c' Cython extension (up-to-date) skipping 'nms/cpu_nms.c' Cython extension (up-to-date) skipping 'nms/gpu_nms.cpp' Cytho
RCNN（五）：Ubuntu 15.04 配置Faster RCNN
浅小思的博客
08-11 1万+
git地址：https://github.com/rbgirshick/py-faster-rcnn 本文对于git上的要求做了翻译，对于一些可能遇到的坑做了修改。 关于CUDA、CUDNN等软件安装请参照：http://blog.csdn.net/u011587569/article/details/52054168Requirements: softwaresudo apt-get inst
windows下运行Faster R CNN算法（CPU、GPU）
weixin_43997271的博客
07-01 3549
windows上运行Faster R CNN算法（CPU、GPU） 需要使用faster r-cnn训练自己的数据集，能够配置运行作者给出的代码是首要的，苦于没有ubuntu环境，所以在github中找到了一篇能够在Windows上运行的源码。下面来记录一下相关步骤，也方便初学的同学避坑。我运行的环境是win7+python3.7 第一步 首先在github中下载源码，网址https://gith...
代码复现问题以及解决
cyy01234的博客
01-17 4774
1.问题：torch.utils.ffi is deprecated. Please use cpp extensions instead. 解决： 原来句子：from torch.utils.ffi import create_extension 修改成: from torch.utils.cpp_extension import BuildExtension 然后：再将文件下面的调用: ffi = create_extension(…) 改成: ffi = BuildExtension(…) 2.问题：
Unresolveable build extension: Plugin...or one of its dependencies could not be resolved: Failed to
pp814274513的专栏
01-23 4128
今天在公司的时候从github上下东西还好好的，回到家执行同样的命令就报错： [ERROR] [ERROR] Some problems were encountered while processing the POMs: [ERROR] Unresolveable build extension: Plugin org.sonatype.plugins:nexus-staging-maven...
pytorch 随笔记
The Dawn
10-07 1509
此为pytorch使用过程中遇到的些许问题，及相应解决方法。 目录 1、安装并测试 warp-CTC 1、安装 warp-CTC 2、测试warp-CTC 2、报错：RuntimeError: set_sizes_contiguous is not allowed on Tensor created from .data or .detach() 3、报错：RuntimeError:...
openstack Swift Grizzly TypeError: dist must be a Distribution instance
Woody891的专栏
03-17 6600
swift安装的说明文档可以直接参考官方的SAIO-Swift all in one，直接按照步骤来。我出现问题的第一个地方是Getting the code，执行指令 sudo python setup.py develop 时，总是报出“TypeError: dist must be a Distribution instance”的错误。 重装系统之后，将python版本设置为
Chrome Extension实战：页面JS脚本替换
热门推荐
夏天夏天悄悄过去留下小眯眯
06-30 1万+
前不久有这样一个想法：怎么把第三方页面所有的GET/POST请求，重定向到我们自己的后台服务器上，然后返回一些假冒数据？
【代码】CenterNet使用（续）（对五六七部分详解）（七）
FSALICEALEX的博客
07-25 2937
接上面部分，对五六七部分进行详解，这篇介绍第七部分。 一、回顾 第七部分进行最后的后处理： results = self.merge_outputs(detections) torch.cuda.synchronize() end_time = time.time() merge_time += end_time - post_process_time ...
Faster-RCNN训练自己数据集遇到的问题集锦
蚂蚁搬家
01-12 1万+
最近，用faster rcnn跑一些自己的数据，数据集为某遥感图像数据集——RSOD，标注格式跟pascal_voc差不多，但由于是学生团队标注，中间有一些标注错误，也为后面训练埋了很多坑。下面是用自己的数据集跑时遇到的一些问题，一定一定要注意：在确定程序完全调通前，务必把迭代次数设一个较小的值（比如100），节省调试时间。 错误目录： 1 ./tools/train_faster_rcnn_...
faster rcnn与mask rcnn对比
最新发布
06-28
### 回答1： Faster R-CNN和Mask R-CNN都是目标检测算法，但是Mask R-CNN在Faster R-CNN的基础上增加了实例分割的功能。 具体来说，Faster R-CNN是一种两阶段的目标检测算法，它首先使用一个区域提议网络（Region Proposal Network，RPN）生成候选区域，然后对每个候选区域进行分类和回归，以得到最终的目标检测结果。 而Mask R-CNN在Faster R-CNN的基础上增加了一个分割分支，用于生成每个目标的掩码，从而实现实例分割。具体来说，Mask R-CNN在Faster R-CNN的基础上增加了一个分割分支，用于生成每个目标的掩码，从而实现实例分割。 因此，相比于Faster R-CNN，Mask R-CNN不仅可以检测目标，还可以对目标进行精确的分割，适用于更加复杂的场景和任务。 ### 回答2： Faster R-CNN和Mask R-CNN是计算机视觉领域中目标检测任务中的两种常见模型，它们在一些方面有相似之处，但在其它方面又有很大不同。 首先，Faster R-CNN模型是一种经典的两阶段检测器，其主要思路是先通过一个卷积神经网络（CNN）得到图像的特征图，然后再将特征图输入到一个基于Region Proposal Network（RPN）的模块中，生成若干个候选区域。最后，对每个候选区域再用一个分类器和回归器进行目标检测。相比于之前的目标检测方法，如R-CNN和Fast R-CNN，Faster R-CNN无需在每个候选区域上运行CNN，因此速度更快，精度更高。 而Mask R-CNN则是在Faster R-CNN的基础上进一步扩展得到的，它不仅可以完成目标检测，而且还能够生成每个目标的像素级别的语义分割（即每个像素的类别标注）。Mask R-CNN主要是在RPN后面加上一个实例分割网络，用于对候选区域中的物体进行精细分割。其主要思路是在每个候选区域中分别生成一张二值掩膜，在后续处理中再将掩膜大小调整到目标区域大小。在进行像素级别的分割时，Mask R-CNN可以将后面的分类器与一个卷积神经网络并行处理，这样可以在不增加计算量的情况下提高检测和分割的速度和精度。 总体来说，Faster R-CNN和Mask R-CNN都是目标检测任务中的高效模型，但二者的优缺点也各自存在。Faster R-CNN模型速度更快，但精细分割效果不够好；而Mask R-CNN模型在目标检测的基础上进一步增加了精细分割的功能，但必须要在每个候选区域上计算二值掩膜，因此速度略慢。总体来说，不同的应用场景需要根据任务需求选择最合适的模型。 ### 回答3： Faster RCNN 和 Mask RCNN 是计算机视觉领域中两个著名的深度学习物体检测模型，它们都是基于 Region-based Convolutional Neural Networks (R-CNNs) 并且显著提升了物体检测的准确度，速度和效率。 Faster RCNN 是2015年提出的第一个 R-CNNs 实现，它采用了两个阶段的物体检测策略。第一阶段是 Region Proposal Network (RPN)，它可以从图像中提取出可能包含物体的候选区域 (region proposals)。第二阶段是 Fast R-CNN，它在已经提取的候选区域上运行物体检测网络，从而得到检测结果。相比于其他物体检测方法，Faster RCNN 有许多优势，它不仅速度快，而且能够提高物体检测的准确度。 Mask RCNN 是比 Faster RCNN 更加先进的模型，它是由 Facebook AI Research 在2017年提出的。这个模型允许在物体检测的过程中识别对象的分割区域，从而更准确地确定物体的位置和形状。例如，当模型检测到人脸后，它可以给出每个人脸区域的精确像素级分割结果。因此，Mask RCNN 在许多需要非常准确的物体检测的场景中得到了广泛应用，例如医学图像分析和自动驾驶系统。 虽然 Faster RCNN 和 Mask RCNN 在物体检测任务中都表现得非常出色，但是它们也存在一些不同之处。Mask RCNN 相对于 Faster RCNN 稍慢些，但却能够提供更加准确的结果。 Faster RCNN 的优点在于它的速度和效率，在大规模场景下可以更快地检测出物体位置。当然这两个模型的使用情境以及需要优化的方向也不尽相同，具体需要根据场景需求进行选择。
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