ttach----TTA模型多输入改写，包含image和meta

已于 2023-05-21 10:48:22 修改
阅读量499 收藏 1
点赞数
分类专栏： 动手学习深度学习 文章标签： ubuntu linux 运维
于 2023-05-20 21:23:22 首次发布
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/szn1316159505/article/details/130785959
版权

在调用tta的时候由于我的模型输入有images和meta数据所以报错了，自己更改了下源码，能跑了但是精度低了一点点还有些问题。

1、修改wrappers

找到对应的文件miniconda3/lib/python3.8/site-packages/ttach/wrappers.py

接着按图修改前项传播函数

2、修改增强（选做）

找到文件miniconda3/lib/python3.8/site-packages/ttach/aliases.py，可以自己添加想要的增强

输出测试

tta_model = tta.ClassificationTTAWrapper(model, tta.aliases.five_crop_transform(384,384))
output = tta_model(images,meta)
雪豹不会梦到瑞克5
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ttach:使用PyTorch进行图像测试时间增强！
05-24
TTAch 使用PyTorch进行图像测试时间增强！ 与“数据增强”对训练集所做的类似，“测试时间增强”的目的是对测试图像进​​行随机修改。 因此，我们不会对训练后的模型仅显示一次常规的“干净”图像，而是将其多次显示。 然后，我们将平均每个对应图像的预测，并将其作为我们的最终猜测[ ]。 Input | # input batch of images / / /|\ \ \ # apply augmentations (flips, rotation, scale, etc.) | | | | | | | # pass augmented batches through model | | | | | | | # reverse transfo
探索TTACH：高效、灵活的图像数据增强库
gitblog_00049的博客
04-25 341
探索TTACH：高效、灵活的图像数据增强库 项目地址:https://gitcode.com/qubvel/ttach 项目简介 TTACH是一个基于Python的开源图像数据增强库，由开发者qubvel创建并维护。它旨在提供一种简单而强大的方式，帮助机器学习和深度学习开发者对图像数据进行预处理，以增强模型训练的效果。 技术分析 TTACH的核心是其易于理解和使用的API设计。它构建在torchv...
深度学习_深度学习基础知识_TTA(测试时增强)
关注大家关注我
03-15 3274
TTA（测试时增强）test time augmentation：为原始图像造出多个不同的版本，包括不同区域裁剪和更改缩放程度，并将它们输入到模型中，然后对多个版本进行计算得到平均输出，作为图像的最终输出分数。 这种技术很有效，因为原始图像显示的区域可能会缺少一些重要特征，在模型中输入图像的多个版本并取平均值，能解决上述问题。 ...
图像分类竞赛——Test Time Augmentation（TTA）
weixin_38208912的博客
03-19 6366
TTA介绍 Test Time Augmentation（TTA），测试数据增强，是在测试阶段时，将输入的测试数据进行，翻转、旋转操作等数据增强，并最后对同一样本的不同数据增强的结果根据任务需求进行例如平均，求和等数据处理。 TTA实现 这里推荐github上一个库https://github.com/qubvel/ttach，可以直接调用tta，非常方便。 tta_model = tta.Cla...
使用GradCAM绘制神经网络的特征图
icecreamdinner的博客
12-03 1965
代码：https://github.com/jacobgil/pytorch-grad-cam 论文：Grad-CAM-Visual Explanations from Deep Networks via Gradient-based Localization 一、论文解读 自己写的论文阅读笔记： GradCAM笔记 二、安装torch： 需要的依赖库： import argparse import cv2 import numpy as np import torch from tor
TTA(Test-Time Augmentation) 之Pytorch
程序客栈
04-19 4209
TTA(Test-Time Augmentation) ,即测试时的数据增强 实现步骤如下: 将1个batch的数据通过flips, rotation, scale, etc.等操作生成batches 将各个batch分别输入网络 每个batch的masks/labels反向转换 通过mean...
计算机-后端-基于TTA架构低功耗无线传感节点专用处理器代码压缩的研究.pdf
06-17
《基于TTA架构低功耗无线传感节点专用处理器代码压缩的研究》这篇论文主要探讨了在无线传感网络（WSN）中，如何通过代码压缩技术来优化基于传输触发架构（TTA）的处理器，以降低功耗和存储需求，进而提高系统效率。...
VLCKit-SDK:Mac OS X 平台 VLCKit 演示和 SDK
06-25
本SDK支持众多的音视频和流媒体格式：音频格式:aac | aiff | aif | amr | aob | ape | axa | flac | it |m2a | m4a | mka | mlp | mod | mp1 | mp2 | mp3 | mpa |mpc | oga | oma | opus | rmi | s3m | spx | tta |...
HTML-and-CSS-Projects-TTA
04-10
HTML和CSS项目 完成了各种HTML和CSS项目的集合！ 介绍 HTML和CSS是用于设置网站样式和结构的编程语言。 这些项目的重点是扩大我对它们的了解并熟悉它们的各种... 该存储库将包含我使用这些语言进行的各种项目的集合。
38101-3-g50_38101-3_
10-04
3GPP的工作涵盖了多个领域，包括核心网络、无线接入网络、服务架构、安全性和互操作性等。在这个过程中，各地区的标准化组织通过合作，确保全球移动通信系统的兼容性和一致性。38101系列标准可能详细规定了无线接入...
pytorch_classification：利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码
02-05
pytorch_classification 利用pytorch实现图像分类，其中包含的密集网，resnext，mobilenet，efficiencynet，resnet等图像分类网络，可以根据需要再行利用torchvision扩展其他的分类算法 实现功能 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，修正与投票融合 利用flask实现模型云端api部署 使用tta测试时增强进行预测 添加label smooth的pytorch实现（标签平滑） 添加使用cnn提取特征，并使用SVM，RF，MLP，KN
vocal-remover:使用深度神经网络的人声去除剂
05-05
以下命令将输入​​分为乐器轨道和人声轨道。 它们另存为*_Instruments.wav和*_Vocals.wav 。 在CPU上运行 python inference.py --input path/to/an/audio/file 在GPU上运行 python inference.py --input path/to/an...
生动理解深度学习精度提升利器——测试时增强（TTA）
Together_CZ的博客
09-08 4079
生动理解深度学习精度提升利器——测试时增强（TTA）
YOLOv5的Tricks | 【Trick3】Test Time Augmentation(TTA)
Clichong
06-01 3477
如有错误，恳请指出。一句话简单的介绍就是测试过程中也使用数据增强，官方教程介绍：Test-Time Augmentation (TTA) Tutorial在训练过程中数据增强是非常常用的一种手段，目的是为了提高模型的泛化能力，以免出现大小不一样，图像选择一下就分辨不出来的尴尬。那么TTA就是想在推理阶段也进行数据增强。不过不会太复杂，因为会增加额外的计算量，在打比赛的时候可能会用到，因为打比赛不在意你的推理时长是多久，所以可以尽情瞎造；但是在实际部署的情况下，因为推理速度减慢很可能会达不到实时监测的效果，所
Pytorch TTA(预测增强) 源码阅读
sansheng0208的博客
08-10 1114
Pytorch TTA 源码阅读 1.ttach/wrappers.py TTA主要调用的接口 继承了pytorch的nn.Module import torch import torch.nn as nn # 做类型注解的库 # 参考 https://www.bilibili.com/read/cv3249320/ from typing import Optional, Mapping, Union, Tuple from .base import Merger, Compose class
YOLOV5之提高模型评估和测试方法（TTA、Ensemble、WBF）
qq_41627642的博客
03-03 5615
本指南解释了如何在测试和推断改进的mAP和Recall过程中使用YOLOv5模型集成。2022年1月25日更新。 集成建模是一个过程，通过使用许多不同的建模算法或使用不同的训练数据集，创建多个不同的模型来预测结果。然后，集合模型将每个基本模型的预测聚合起来，并对未见数据产生一次最终预测。使用集成模型的动机是为了减少预测的泛化误差。当采用集成方法时，只要基本模型是不同的和独立的，模型的预测误差就会减小。这种方法在预测中寻求群体的智慧。尽管集成模型在模型中有多个基本模型，但它作为单个模型进行操作和执行。 1
李宏毅机器学习作业3——Image Classification，模型集成，交叉验证，TTA
iwill323的博客
11-17 2215
李宏毅机器学习作业3——Image Classification， 模型集成， TTA，num_works的影响，交叉验证
深度学习自用trick
混吃等死，研究生在读，毕业无望，偶尔搞点好玩的
02-02 246
学习记录
tph-yolov5代码解读
最新发布
06-02
tph-yolov5是基于YOLOv5的一个目标检测代码实现，其中tph指的是Tiny Pseudo-Head。相比于原版的YOLOv5，tph-yolov5在精度和速度之间做了一个平衡，提升了一些性能指标。 具体来说，tph-yolov5在网络结构中引入了一个Tiny Pseudo-Head，它是一种轻量级的头部模块，可以用来替代原版YOLOv5中的SPP模块。这样做的好处是可以减少参数数量，降低模型计算量，从而提高目标检测的速度。 此外，tph-yolov5还使用了一些技巧来提升模型的性能。例如，在训练时使用了MixUp和Label Smoothing等数据增强方法，可以提高模型的泛化能力；在推理时使用了Test Time Augmentation（TTA）技术，可以进一步提高模型的准确率。 如果你想深入了解tph-yolov5的实现细节，可以查看它的源代码，并阅读相关论文或者文章。同时，也可以提出一些相关问题，我会尽力为你解答。

“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
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