【python】使用grad-cam包过程中遇到的问题

已于 2022-07-25 15:38:15 修改
阅读量6.1k 收藏 17
点赞数 5
分类专栏： Python学习 文章标签： 深度学习 pytorch python
于 2022-07-06 10:35:50 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/weixin_42498802/article/details/125633562
版权

使用grad-cam包过程中遇到的问题

grad-cam包

Crad-Cam的原理就不在这里展开，为了偷懒想要使用Pytorch中的grad-cam的类库，但是遇到了一些问题。

安装pytorch-grad-cam

在Pycharm终端进行安装

pip install grad-cam

问题1：The NVIDIA driver on your system is too old (found version 10010).

在安装之前我使用的torch版本是0.4.0，但是在安装grad-cam的过程中，由于grad-cam支持torch版本>=1.9.0.但建议是1.10.0，是比较稳定的。所以在安装过程中，torch进行了自动升版本。而我的cuda版本是10.1.在官方网站是找不到torch=1.10.0+cu101这样的搭配，但可以是torch=1.8.1+cu101.

如下操作查看自己pytorch版本和cuda版本

  1. 查看pytorch版本
import torch
print(torch.__version__)
  1. 查看cuda版本
nvidia-smi
  1. 重装pytorch+CUDA
pip3 install torch==1.8.1+cu101 torchvision==0.9.1+cu101  -f https://download.py torch.org/whl/cu101/torch_stable.html

综上所述，要使用grad-cam类库，必须满足torch>=1.10.0, cuda >=10.2否则会报错！！！

问题2： ModuleNotFoundError: No module named ‘torch.fx’

这个问题其实是上一个问题的一个延申，我自己的cuda版本是10.1,所以我就想使用torch 1.8.0+cu101的组合，但是报错了。出现这个报错的原因是，torch.fx这个模块要求torch版本大于等于1.9.0.但是cuda 10.1的版本适配的torch的最高版本是1.8.1

参考链接

链接: link.

橙子橙子呀
关注
  • 5
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Python-GradCAM的Pytorch实现
08-11
Grad-CAM的Pytorch实现。Pytorch implementation of Grad-CAM
Grad-CAM.pytorch:pytorch实现Grad-CAM和Grad-CAM++,可以可视化任意分类网络的Class Activation Map (CAM)图,包括自定义的网络;同时也实现了目标检测faster r-cnn和retinanet两个网络的CAM图;欢迎试用、关注并反馈问题..
05-11
Grad-CAM.pytorch ​ pytorch 实现 和 3.1 3.3 5.1 5.2 5.3 5.4 6.1 6.2 6.3 6.4 7.1 7.2 7.3 7.4 Grad-CAM整体架构 Grad-CAM++与Grad-CAM的异同 依赖 python 3.6.x pytoch 1.0.1+ torchvision 0.2.2 opencv-python matplotlib scikit-image numpy 使用方法 python main.py --image-path examples/pic1.jpg \ --network densenet121 \ --weight-path /opt/pretrained_model/densenet121-a639ec97.p
window conda 安装grad-cam 热力图
最新发布
huachenyuyu1的博客
04-30 122
有个小问题，一个conda环境下智能安装一次，重复安装会出现“文件占用”的报错。安装pytorch-grad-cam包 按照教程。
使用GradCam得到测试图像的热力图
power_kaikaige的博客
03-11 1618
使用GradCam得到测试图像的热力图的实现算法
Grad-CAM简介_gradcam，2024年最新Linux运维常用面试题
2301_76225734的博客
04-17 817
A是网络对原图进行特征提取得到的结果，越往后的特征层抽象程度越高，语义信息越丰富，而且利用CNN抽取得到的特征图是能够保留空间信息的（Transformer同样）。下面构建了一个非常简单的神经网络，主要结构就是一个卷积层 + 一个全连接层，通过这个简单的例子来演示如何计算反向传播过程中某个特征层的梯度。Aˊ(关于梯度是如何计算的，可以参考本文1.2和1.3的内容)，接着利用上述提到的公式(2)计算针对特征层。A都指的是最后一个卷积层的输出（参考下图实验，越往后的特征层效果越好）。假设我们想看下网络针对。
pytorch-grad-cam源代码阅读和调试(中)
敲代码的小风
01-27 2363
笔者使用代码及相关文件下载链接: 【源代码文件】pytorch-grad-cam源代码阅读和调试 源代码链接: jacobgil/pytorch-grad-cam
pytorch_grad_cam——pytorch下的模型特征(Class Activation Mapping, CAM)可视化库
a486259的博客
04-01 1万+
深度学习是一个"黑盒"系统。它通过“end-to-end”的方式来工作，中间过程是不可知的，通过中间特征可视化可以对模型的数据进行一定的解释。最早的特征可视化是通过在模型最后一个conv层的Global average pooling实现，并将分类层设置为单个全连接层。通过Global average pooling的值来确定各个feature map的权重，然后累加到一起实现可视化。后来有衍生出了一系列，基于特定class label反向传播获取梯度的可视化方法，Grad-CAM。更为详细的发展路线可以参
pycharm导入ModuleNotFoundError: No module named最全方法整理
lanmy_dl的博客
07-16 5498
今天打算在另一个文件夹下学习pyTorch 直接用pycharm新建项目时选择创建在该文件下 但是后来配置时候我也改到这个文件夹下了 配置解释器 然后就不能引入包 但是我们如果把这个删了 换成以前的文件夹的解释器 ...
Python报错：ModuleNotFoundError: No module named ‘xxx‘可能的解决方案大全
ChatGpt
03-24 5万+
Python报错：ModuleNotFoundError: No module named 'xxx'可能的解决方案大全
keras-grad-cam：带有keras的Grad-CAM的实现
02-04
参见论文： : 该论文的作者实现了火炬实施： ： 该代码假定Tensorflow尺寸顺序，并默认在keras.applications中使用VGG16网络（网络权重将在首次使用时下载）。 用法： python grad-cam.py 例子 示例图片： '拳击手'...
Grad-CAM-in-TensorFlow:TensorFlow中的Grad-CAM，在Grad-CAM中介绍
05-14
要求Python3.x Tensorflow 1.x （包括经过预训练的（使用Imagenet数据集）VGG16分类模型文件VGG16.npy （有关如何下载的信息，请参阅自述文件））用法python grad-cam-tf.py < path> < path> [top_n] path_to_image ...
pytorch-grad-cam：Grad-CAM的PyTorch实现
02-05
在Pytorch中实现Grad-CAM 是什么使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”： 将Grad-CAM与引导反向传播相结合的“ pug，... 用法： python gradcam.py --image-path 要与CUDA一起使用： python gra
【源代码文件】pytorch-grad-cam源代码阅读和调试
01-27
pytorch-grad-cam源代码阅读和调试
yolov5热力图可视化grad-cam踩坑经验分享
qq_36230981的博客
03-09 5093
最近在做热力图的可视化，网上搜了很多的资料，但是大部分都是需要在原网络结构上进行修改，非常的不方便。最后在网上找到一位博主分享的即插即用的模块，觉得效果还可以，但是中间有些细节，需要注意。将yolo.py文件中，detectionmodel()函数的forward()函数中，true改为false。backward_type：反向传播的方式，可以是以conf的loss传播，也可以class的loss传播。method：选择grad-cam方法，这里是提供了几种，可能对效果有点不一样，可以都尝试一下。
Grad-cam报错AttributeError: ‘GradCAM‘ object has no attribute ‘activations_and_grads‘
盛世芳华
12-27 1741
这明显是版本太高引起的错误，我用1.5.0版本出现了这样的错误，那么把版本将为1.4.0即可。网上看了很多教程，都是让改代码！
ModuleNotFoundError: No module named ‘torch‘ 解决方案
热门推荐
thy0000的博客
01-23 25万+
在运行python程序时遇到下面的问题：ModuleNotFoundError: No module named ‘torch’ 这是由于没有安装torch包导致的，我们可以很简单的在pycharm安装或者在cmd命令行安装，但是由于torch安装包过大，比如torch-1.9.1就要大约200M，上述两种方法是从GitHub直接下载，没有适合的工具需要花费相当长的时间，甚至一两个小时。 本文主要讲述从清华镜像官网下载torch的whl文件进行安装的一种在pycharm中安装大软件包的方法。（torch
YOLOv5目标检测之Grad-CAM热力图可视化
05-18
PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Grad-CAM热力图可视化方法对YOLOv5进行热力图可视化，可直观展示图像中哪些区域对类别分类贡献程度大。Grad-CAM是一种CNN（卷积神经网络）可解释性的经典方法，与CAM（类激活图）相比，不需要对模型进行改动就可以生成热力图（heatmap），非常方便和灵活。本课程在YOLOv5 v6.1版本代码的基础上增加Grad-CAM热力图可视化方法，并演示针对自己的数据集训练和进行Grad-CAM热力图可视化过程，并讲解原代码针对Grad-CAM热力图可视化的修改部分。本课程分为原理篇、实战篇、代码讲解篇。·        原理篇包括：Grad-CAM热力图可视化原理。·        实战篇包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、训练自己的数据集、Grad-CAM热力图可视化。 ·        代码讲解篇包括：针对Grad-CAM热力图可视化具体修改的代码讲解。
Guided Grad-CAM如何使用
06-06
Guided Grad-CAM方法可以通过以下步骤实现： 1. 对输入图像进行预处理，包括归一化、缩放等操作。 2. 在模型中添加Guided Backpropagation模块，该模块通过反向传播特征图的梯度，并将与正激活相关的梯度保留。 3. 计算目标类别的Grad-CAM热力图，包括卷积层特征图的梯度和分类器权重的结合。 4. 对Grad-CAM热力图进行平滑处理，减少噪声和不确定性，并提高可视化效果。 5. 将平滑后的Grad-CAM热力图与Guided Backpropagation模块生成的梯度结合，生成Guided Grad-CAM热力图。 6. 将Guided Grad-CAM热力图与原始图像进行叠加，可视化模型的注意力区域。 下面是一个简单的代码示例，说明如何使用Guided Grad-CAM方法可视化图像分割模型的注意力区域： ```python import torch from torchvision import models, transforms import cv2 import numpy as np # 加载模型 model = models.segmentation.deeplabv3_resnet50(pretrained=True).eval() # 定义预处理函数 preprocess = transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) # 定义反向传播函数 class GuidedBackpropRelu(torch.autograd.Function): @staticmethod def forward(ctx, input): ctx.save_for_backward(input) return input.clamp(min=0) @staticmethod def backward(ctx, grad_output): input, = ctx.saved_tensors grad_input = grad_output.clone() grad_input[input < 0] = 0 return grad_input # 定义Guided Grad-CAM函数 def guided_grad_cam(img, target_class): # 转换为tensor格式 img_tensor = preprocess(img).unsqueeze(0) # 前向传播 features = model.backbone(img_tensor)['out'] output = model.classifier(features) # 计算梯度 target = output[0, target_class] target.backward() # 计算Grad-CAM热力图 grads = model.backbone.grads['out'] pooled_grads = torch.mean(grads, dim=[2, 3], keepdim=True) cams = (pooled_grads * features).sum(dim=1, keepdim=True) cams = torch.relu(cams) # 平滑Grad-CAM热力图 sigma = 0.1 cams = torch.nn.functional.conv2d(cams, torch.ones((1, 1, 3, 3)).to(device=cams.device) / 9, padding=1, groups=1) cams = torch.nn.functional.interpolate(cams, img_tensor.shape[-2:], mode='bilinear', align_corners=False) cams = cams.squeeze().cpu().numpy() cams = cv2.GaussianBlur(cams, (5, 5), sigmaX=sigma, sigmaY=sigma) cams = np.maximum(cams, 0) cams_max = cams.max() if cams_max != 0: cams /= cams_max # 计算Guided Grad-CAM热力图 gb = model.backbone.grads['out'] gb = gb.cpu().numpy()[0] cam_gb = np.zeros_like(cams) for i, w in enumerate(model.classifier.weight[target_class]): cam_gb += w * gb[i] cam_gb = cv2.resize(cam_gb, img_tensor.shape[-2:]) cam_gb = np.maximum(cam_gb, 0) cam_gb_max = cam_gb.max() if cam_gb_max != 0: cam_gb /= cam_gb_max cam_gb = cv2.cvtColor(cv2.applyColorMap(np.uint8(255 * cam_gb), cv2.COLORMAP_JET), cv2.COLOR_BGR2RGB) # 叠加Guided Grad-CAM热力图和原始图像 img = cv2.cvtColor(np.uint8(255 * img), cv2.COLOR_RGB2BGR) cam_gb = cv2.resize(cam_gb, img.shape[:2][::-1]) result = cv2.addWeighted(img, 0.5, cam_gb, 0.5, 0) return result # 加载图像 img = cv2.imread('test.jpg') img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 可视化Guided Grad-CAM result = guided_grad_cam(img, target_class=15) cv2.imshow('Guided Grad-CAM', result) cv2.waitKey() ``` 这个代码示例是使用PyTorch框架实现的，其中`model`是已经训练好的图像分割模型，`preprocess`函数是预处理函数，`GuidedBackpropRelu`函数是Guided Backpropagation模块，`guided_grad_cam`函数是Guided Grad-CAM函数。你需要将模型和预处理函数替换为你自己的模型和预处理函数，然后将图像和目标类别作为输入，即可可视化Guided Grad-CAM热力图。

“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 1
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