transpose代码学习

论文:TransPose: Keypoint Localization via Transformer
Sen Yang Zhibin Quan Mu Nie Wankou Yang*
School of Automation, Southeast University, Nanjing 210096, China
{yangsenius, 101101872, niemu, wkyang}@seu.edu.cn
下载地址https://arxiv.org/pdf/2012.14214v5.pdf

本周任务:代码学习

Backbone

只保留原始 ImageNet 预训练 CNN 的最初几个部分,以从图像中提取特征。 我们将它们命名为 ResNet-S 和 HRNet-S,其参数数量仅为原始 CNN 的 5.5% 和 25% 左右。

计算网络的shape

ResNet

参数详见文件:TP_R_256x192_d256_h1024_enc3_mh8.yaml
训练好的模型文件:models/pytorch/transpose_coco/目录下的对应文件

直接用下面的语句运行test文件

python tools/test.py --cfg experiments/coco/transpose_r/TP_R_256x192_d256_h1024_enc3_mh8.yaml TEST.USE_GT_BBOX True

得到的loss和acc
请添加图片描述
这是个主要的切入点正如我们在论文中所描述的,计算前100幅图像的flops在COCO val2017上,并报告平均结果

python tools/compute_flops.py experiments/coco/transpose_r/TP_R_256x192_d256_h1024_enc3_mh8.yaml

注意在compute_flops会有一个报错
在这里插入图片描述
解决办法:修改compute_flops 第48行
用以下三种方式都可以
d1=yaml.load(file,Loader=yaml.FullLoader)
d1=yaml.safe_load(file)
d1 = yaml.load(file, Loader=yaml.CLoader)

得到的FPS如下图所示:
在这里插入图片描述

同理可以实现HRNet
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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