【深度学习mmdetection错误】——mmdetection 运行报错KeyError:‘ConvWS is already registered in conv layer‘

最新推荐文章于 2023-10-28 00:06:27 发布
最新推荐文章于 2023-10-28 00:06:27 发布
阅读量2.1k 收藏
点赞数 2
分类专栏： Python bug 修复 文章标签： 深度学习 error
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_45769063/article/details/116653826
版权

于是修改以下mmdetection的安装文件：
site-packages/mmdet-2.1.0+unknown-py3.7-linux-x86_64.egg/mmdet/ops/conv_ws.py"

把

@CONV_LAYERS.register_module('ConvWS')

修改为：
@CONV_LAYERS.register_module(name='ConvWS', force=True)
 

有情怀的机械男
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
图像分割 - 全卷积神经网络FCN 及pytorch实现（阿里云天池训练）
weixin_44822196的博客
04-01 1974
本文主要介绍FCN原理及如何搭建模型，数据预处理，评价指标等进行训练实现，同时介绍如何在阿里云天池实验室白嫖gpu训练模型，提高训练效率
SOLOv2:SOLOv2
04-22
SOLOv2 该代码是SOLOv2的非官方pytorch实现 安装 请检查以获取安装说明。 训练 遵循与SOLOv1相同的方式。 单个GPU： python tools/train.py configs/solov2/solov2_r101_3x.py 多GPU（例如8）： ./tools/dist_train.sh configs/solov2/solov2_r101_3x.py 8 重物 可以在下载经过训练的模型码：qw4e 结果 在使用resnet-101主干在coco数据集上训练了36个纪元（3x）之后，在COCO test-dev2017数据集上的mAP为39.5。 在原始论文中，该模型在72个时代（6x）之后达到了39.7。 可视化（1个纪元）
多段监督，可堆叠多个ResNet-50的Pose Estimation检测器
u010849057的博客
03-05 1262
多段监督，可堆叠多个ResNet-50的Pose Estimation检测器 合理的创建标题，有助于目录的生成 该项目主要来自pose_resnet的改编 能够实现多段监督，多个ResNet50堆叠，实现特征聚合。 加粗文本 加粗文本 标记文本 删除文本 主要参考pose_resnet: https://github.com/Microsoft/human-pose-estimation.pyt...
FastBEV复现 Ubuntu
Furtherisxgi的博客
03-24 1644
安装完成CUDA10.2之后，在conda中新建一个虚拟环境，安装1.6的pytorch，CUDA版本太高的话安装不了太低版本的pytorch，所以需要安装10.2版本的CUDA。原作者训练的数据为完整的nuscences数据集，项目里面提供的pkl文件对应真个nuscences数据集，而对于个人学习来说，一般只能使用mini数据集。因为过高的pytorch版本编译不了mmdet3d,所以需要安装较低版本pytorch，在这里我安装的是1.6.0版本的。安装的过程中会有很多包的版本问题，慢慢安装就行。
阈值随机森林语义分割探究遥感影像油菜农作物提取方法
weixin_44492791的博客
08-09 1308
遥感图像农作物提取是遥感图像处理中重要的应用之一。当前遥感图像油菜提取主要采用基于分割的方法，包括传统的基于阈值、区域生长等方法和基于机器学习的方法，如基于支持向量机和随机森林等方法，以及深度学习模型，如语义分割。本文尝试使用阈值法、传统机器学习以及深度学习模型等方法，探讨适合油菜提取的可行性方案。
mmdetection 运行报错KeyError: ‘ConvWS is already registered in conv layer‘
weixin_40755306的博客
02-04 5539
mmdetection已经安装好，运行时是报了如下错误， File "/home/XX/miniconda3/envs/py37/lib/python3.7/site-packages/mmcv/utils/registry.py", line 58, in _register_module raise KeyError(f'{module_name} is already registered ' KeyError: 'ConvWS is already registered in conv ...
openmmlab出现KeyError: ‘xxx is not in the model registry....‘
HHzdh的博客
08-29 1141
mmlab的注册机制
MMDet3D——报错解决：KeyError: ‘SparseConv2d is already registered in conv layer‘
Irving.Gao的博客
06-06 2485
报错解决
MMDet踩坑与使用体会
北落师门XY的博客
01-10 2326
有意思的是，某些模型的AP范围，最差的backbone可能AP很低，但最好的又很高。如果改了配置文件coco_inatance.py而模型没变，注意把模型保存路径下的配置文件如cascade_mask_rcnn_r50_fpn_1x_coco.py删掉，之前训练的时候改了几次参数，最后的修改没完全更新上，效果烂烂的。如训练swin版的mask2former也要改调用的r50版配置文件，并且不同模型的类数量等参数可能命名方式不同，看一下配置文件就知道了。虽然在同个框架下，但loss不同。
Grad_Cam运行报错：ValueError: Unable to determine penultimate `Conv` or `Pooling` layer for layer_idx: 2
12-21
之前一直想可视化模型的注意...ValueError: Unable to determine penultimate Conv or Pooling layer for layer_idx: 2 但是如果是自己定义的模型就可以正常输出。 看起来应该是一个找不到对应layer的错误。于是很自然
深度学习caffe–手写字体识别例程（五）—— convert_mnist_data.cpp文件详解
01-06
我们在《深度学习caffe–手写字体识别例程（四）》中，用到了convert_mnist_data.bin文件进行数据集格式的转换，命令如下 $BUILD/convert_mnist_data.bin $DATA/train-images-idx3-ubyte \ $DATA/train-labels-idx...
报错：GetConvolveAlgorithms( conv_parameters.ShouldIncludeWinogradNonfusedAlgo(), &algorithms)
01-20
在跑一个简单的手势模型时刚配好环境是可以运行的，运行多次后便报如下错误，无法再运行程序。  Check failed: stream->parent()->GetConvolveAlgorithms( conv_parameters.ShouldIncludeWinogradNonfusedAlgo(), ...
Error : Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so
12-22
every blog every motto: Brevity is the soul of wit 0. 前言 在用tensorflow 进行训练时，添加了如下代码： Error : Failed to get convolution algorithm. This is probably because cuDNN failed to initialize,...
DeconvNet-Model(pytorch版本)
Major_S的博客
09-11 1117
DeconvNet−Model(pytorch版本)DeconvNet-Model(pytorch版本)DeconvNet−Model(pytorch版本) import torch import torchvision.models as models from torch import nn vgg16_pretrained = models.vgg16(pretrained=False) def decoder(input_channel, output_channel, num=3):
关于Ubuntu18.04/20.04安装后的一系列环境配置过程的总结
M0rtzz的博客
10-28 1388
本文所有用到的文件打包供大家下载（不含代码）{}：提取码:zwz4--来自百度网盘超级会员v4的分享。
附代码 DeConvNet
weixin_44543648的博客
02-12 996
代码连接：https://github.com/csgwon/pytorch-deconvnet/blob/master/models/vgg16_deconv.py 主要内容： 该论文主要使用UnPooling层 使用原因：池化方法是为了通过提取具有单一代表性值的接受域中的激活来过滤下层的噪声激活。虽然它通过只保留上层的稳健激活来帮助分类，但在池化过程中，接受域内的空间信息会丢失，这对于语义分割所需的精确定位可能至关重要。为了解决这一问题，我们在反褶积网络中使用了UnPooling层，它执行池化的反向操作
MMDetection 入门 | 二
TensorFlowNews
04-21 2505
作者|open-mmlab 编译|Flin 来源|Github 入门 本页提供有关MMDetection用法的基本教程。 有关安装说明,请参阅上一篇的安装文档 。 预训练模型的推论 我们提供测试脚本来评估整个数据集(COCO,PASCAL VOC等)以及一些高级api,以便更轻松地集成到其他项目。 测试数据集 [x]单个GPU测试 [x]多个GPU测试 [x]可视化检测结果 你可以使用以下命令...
简单理解mmdetection中的registry（注册类）类【转载整理】
weixin_39504171的博客
06-12 2463
简单理解mmdetection中的registry（注册类）类【转载整理】 原文地址：简单理解mmdetection中的registry类 在mmdetection中使用registry类构建九个注册类实例，其实就是对类做一个划分管理，其中的每一个实例都用于存放属于这一簇的类，将来通过get_key方式获取，key 来自于config文件。 比如，backbone 作为一簇其中包括vgg、resnet等。九个注册类实例如下所示： # 【1】文件：mmdet\m...
mmdetection AttributeError: 'SSDHead' object has no attribute 'loss_cls'
最新发布
12-09
这个错误通常是由于代码中的某些变量或方法未正确定义或导入而引起的。在这种情况下，错误信息表明在SSDHead对象中找不到loss_cls属性。这可能是由于以下原因之一导致的： 1.代码中确实没有定义loss_cls属性或方法。 2.代码中定义了loss_cls属性或方法，但是由于某些原因未正确导入或初始化。 3.代码中定义了loss_cls属性或方法，但是在SSDHead对象中未正确调用。 为了解决这个问题，你可以尝试以下几个步骤： 1.检查代码中是否正确定义了loss_cls属性或方法，并确保它们被正确导入和初始化。 2.检查代码中是否正确调用了loss_cls属性或方法，并确保它们被正确传递和使用。 3.检查代码中是否存在拼写错误或语法错误，并进行必要的更正。 4.检查代码中是否存在其他与此错误相关的警告或错误，并进行必要的更正。 以下是一个可能的解决方案： ```python class SSDHead(nn.Module): def __init__(self, num_classes, in_channels, feat_channels=256, stacked_convs=2, **kwargs): super(SSDHead, self).__init__(**kwargs) self.num_classes = num_classes self.in_channels = in_channels self.feat_channels = feat_channels self.stacked_convs = stacked_convs self.loss_cls = nn.CrossEntropyLoss() # 定义loss_cls属性 self.loss_bbox = nn.L1Loss(reduction='none') self.conv1x1 = nn.ModuleList() self.conv3x3 = nn.ModuleList() for i in range(self.stacked_convs): self.conv1x1.append(nn.Conv2d(self.in_channels, self.feat_channels, kernel_size=1)) self.conv3x3.append(nn.Conv2d(self.feat_channels, self.feat_channels, kernel_size=3, padding=1)) self.cls_convs = nn.ModuleList() self.reg_convs = nn.ModuleList() for i in range(4): self.cls_convs.append(nn.Conv2d(self.feat_channels, self.feat_channels, kernel_size=3, padding=1)) self.reg_convs.append(nn.Conv2d(self.feat_channels, self.feat_channels, kernel_size=3, padding=1)) self.cls_out = nn.Conv2d(self.feat_channels, self.num_classes, kernel_size=3, padding=1) self.reg_out = nn.Conv2d(self.feat_channels, 4, kernel_size=3, padding=1) def forward(self, x): cls_scores = [] bbox_preds = [] for feat in x: cls_feat = feat reg_feat = feat for i in range(self.stacked_convs): cls_feat = F.relu(self.conv1x1[i](cls_feat)) cls_feat = F.relu(self.conv3x3[i](cls_feat)) reg_feat = F.relu(self.conv1x1[i](reg_feat)) reg_feat = F.relu(self.conv3x3[i](reg_feat)) cls_feat = cls_feat + feat reg_feat = reg_feat + feat cls_feat = self.cls_convs[0](cls_feat) reg_feat = self.reg_convs[0](reg_feat) for i in range(1, 4): cls_feat = F.relu(cls_feat) reg_feat = F.relu(reg_feat) cls_feat = self.cls_convs[i](cls_feat) reg_feat = self.reg_convs[i](reg_feat) cls_score = self.cls_out(cls_feat) bbox_pred = self.reg_out(reg_feat) cls_scores.append(cls_score) bbox_preds.append(bbox_pred) return cls_scores, bbox_preds def loss(self, cls_scores, bbox_preds, gt_bboxes, gt_labels, img_metas): losses = dict() batch_size = cls_scores[0].size(0) featmap_sizes = [featmap.size()[-2:] for featmap in cls_scores] device = cls_scores[0].device gt_bboxes = [gt_bbox.to(device) for gt_bbox in gt_bboxes] gt_labels = [gt_label.to(device) for gt_label in gt_labels] anchor_list, valid_flag_list = self.get_anchors(featmap_sizes, img_metas, device=device) cls_reg_targets = self.anchor_target(anchor_list, valid_flag_list, gt_bboxes, img_metas, gt_labels) if cls_reg_targets is None: return None (labels_list, label_weights_list, bbox_targets_list, bbox_weights_list, num_total_pos, num_total_neg) = cls_reg_targets num_total_samples = reduce_mean([labels.size(0) for labels in labels_list]) losses['loss_cls'] = self.loss_cls(cls_scores, labels_list, label_weights_list) # 调用loss_cls属性 losses['loss_bbox'] = self.loss_bbox(bbox_preds, bbox_targets_list, bbox_weights_list, avg_factor=num_total_samples) return losses ```

“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

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

打赏作者

有情怀的机械男

你的鼓励将是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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