复现代码nn4topopt

这篇文章基于 “Neural Networks for Topology Optimization” 论文复现代码
https://github.com/williamhunter/topy
https://github.com/ISosnovik/top 已经生成完全数据集
环境:Windows11、pycharm、tensorflow1.15
keras
2.3.1

1、从下载代码:链接:https://github.com/ISosnovik/nn4topopt

2、解压打开文件夹

3、根据readme中顺序运行prepare_data.py文件

3.1注意需要添加参数变量或者使用命令运行
3.1.1添加参数变量
在这里插入图片描述
在pycharm中,点击run、其次找到 Edit Configurations
在这里插入图片描述
在图中左侧找到对应名称的文件,然后再按照右侧划线的格式输入对应的文件地址。

3.1.2使用命令输入:按照官网的命令格式

> python prepare_data.py --source SOURCE_FOLDER --dataset-path WHERE_TO_SAVE

输入即可

3.2windows运行时,还是会报错PressionError
在这里插入图片描述
这里需要修改一下代码,修改成下面这样的代码。

from __future__ import print_function
import os 
from argparse import ArgumentParser
import h5py
import numpy as np
import argparse

parser = ArgumentParser()
parser = argparse.ArgumentParser(description='Description of your program')
parser.add_argument('--source', default='C:\\Users\\sun\\Desktop\\topPro\\top-master\\code\\TOP4040', type=str, help='location of .npz files')
parser.add_argument('--dataset-path', default='D:\\nn4topopt-master\\data_007.hdf5', type=str, help='path of .h5 dataset')
options = parser.parse_args()
print('Preparing dataset\n{}/* --> {}'.format(options.source, options.dataset_path))入代码片

4、运行training
4.1同样需要和上面3.1.1一样,添加参数,步骤如下图所示
在这里插入图片描述
4.2运行时还会报错TypeError,如下图:
在这里插入图片描述
需要修改报错所示的generator,将它修改成scquence。

5、运行experiments.sh文件
5.1 安装Git bash(这里最好在官网下载并按照教程走一遍)
5.2 将安装好的文件.\Git\bin添加到环境变量中
5.3在pycharm中配置bash命令,过程如下
在这里插入图片描述
在这里插入图片描述
配置好了之后,点击左下角的终端
在这里插入图片描述
就会出现下图一样的彩色,就说明成功了
在这里插入图片描述

5.4在终端输入命令

bash experiments.sh

就好了

6、最终得到结果可以直接将results.ipython的代码复制过来,变成.py文件用pycharm运行。也可以用jupyter notebook。
如果用 jupyter 的话需要配置环境
6.1
首先,打开anaconda prompt

在这里插入图片描述
6.2 依次输入下面的命令

conda activate nn4topopt-master(anaconda中你需要使用的环境的名称)
conda install ipython
conda install jupyter
conda install ipykernel
ipython kernelspec install-self --user

6.3在开始查看,如图所示就说明成功了
在这里插入图片描述
版权所有,禁止转载

  • 3
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 您好,以下是使用PyTorch现YOLOv4的代码: 1. 首先,您需要下载YOLOv4的权重文件,可以从以下链接中下载: https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights 2. 接下来,您需要安装PyTorch和OpenCV库,可以使用以下命令进行安装: ``` pip install torch pip install opencv-python ``` 3. 然后,您可以使用以下代码加载YOLOv4的权重文件并进行目标检测: ``` import cv2 import torch import numpy as np # 加载YOLOv4的权重文件 model = torch.hub.load('ultralytics/yolov5', 'yolov4', pretrained=True) # 加载图像 img = cv2.imread('test.jpg') # 进行目标检测 results = model(img) # 显示检测结果 results.show() ``` 其中,'test.jpg'是您要进行目标检测的图像文件名。 希望以上代码能够帮助到您。 ### 回答2: YOLOv4是目前最先进的物体检测算法之一,它结合了YOLOv3 和 Scaled-YOLOv4的优势,具有更高的召回率和准确度。PyTorch是一种常用的深度学习框架,可以快速实现深度学习算法。 实现YOLOv4的方法有多种,其中一种是基于开源代码进行现。 首先,需要准备数据集。数据集应包含图片和对应的标签,标签一般以XML或JSON格式保存。YOLOv4要求输入的图片尺寸是416x416,因此需要对原始图片进行缩放。可以使用OpenCV库来实现。 然后,需要下载YOLOv4的预训练模型文件。可以从互联网上下载Darknet和PyTorch版本的模型文件。Darknet版本的模型文件通常以.weights格式保存,而PyTorch版本的模型文件通常以.pt格式保存。这两种格式都可以通过相应的代码进行加载和转换。 接下来,需要编写Python程序来实现YOLOv4的物体检测功能。可以使用PyTorch和其它相关库来实现。具体的代码实现可以分为以下几步: 1. 加载预训练模型 利用PyTorch中的torch.load函数,将预训练模型加载到内存中。 2. 定义模型 定义模型的结构,包括卷积层、池化层、残差块和最终的检测层。 3. 加载图片和标签 使用相应的库读取图片和标签,并将其转换为张量形式。 4. 图像预处理 对图片进行预处理,包括缩放、裁剪、归一化和转换为张量形式。 5. 模型推理 将图片输入模型,获取物体检测的结果。检测结果包括物体类别、位置和置信度。 6. 后处理 将检测结果进行后处理,包括筛选、非极大值抑制和将边界框转换为坐标形式。 最后,运行程序即可实现YOLOv4的物体检测功能。需要注意的是,YOLOv4的精度和速度都非常高,但是在硬件资源和算法优化方面的要求也比较高。为了实现最佳的检测效果,需要进行一系列的细节优化。 ### 回答3: YOLOv4是一个非常流行的目标检测模型,由于其高效性能和较高的准确率,成为了许多研究人员的选择。在本文中,我们将介绍如何使用PyTorch现YOLOv4的代码。 1. 数据集的准备: 在现YOLOv4模型之前,我们需要准备一个数据集来训练模型。数据集应该包含许多训练图片和对应的标注信息。通常情况下,标注信息包括每张图片中目标的类别、位置和大小信息。 2. 下载YOLOv4的模型代码: 使用以下命令从GitHub上下载YOLOv4的代码: ``` !git clone https://github.com/WongKinYiu/yolov4-pytorch.git ``` 3. 修改文件夹结构: 为了更好地适应我们的数据集,我们需要修改YOLOv4代码库的文件夹结构。在代码库的“data”目录下新建“custom”目录,将训练数据集拷贝至该目录下,并在“data/custom”目录下创建“images”和“labels”两个子目录,分别存放数据集的图片和标注信息。 4. 修改配置文件: 在“cfg”目录下找到“yolov4.cfg”文件,修改该文件以适应我们的数据集。具体来说,需要将模型的输入大小修改为我们训练数据集的大小,修改检测头的类别数量为我们数据集中目标的种类数。 5. 训练模型: 要训练模型,我们需要运行如下命令: ``` !python train.py --cfg cfg/yolov4.cfg --data data/custom/custom.data --weights '' --name yolov4-custom ``` 其中,“--cfg”指定配置文件路径,“--data”指定数据集信息文件路径,“--name”指定训练模型的名称。 6. 应用模型: 我们可以使用训练得到的模型来检测新的图片。运行以下命令即可进行检测: ``` !python detect.py --weights checkpoints/yolov4-custom.pth --img-size 416 --conf-thres 0.3 --source data/samples/ ``` 其中,“--weights”指定使用的模型路径,“--img-size”指定输入图片的大小,“--conf-thres”指定过滤掉置信度较低的边界框,“--source”指定检测的图片路径。 在以上过程中,我们可以根据实际情况进行修改以适应我们的数据集。通过修改数据集、配置文件和运行命令,我们可以使用PyTorch现YOLOv4模型,从而实现目标检测的应用。
评论 1
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