mmdetection2.28修改backbone不使用预训练参数、从头训练

原创 已于 2024-06-27 20:54:05 修改 · 958 阅读 · 4 ·
CC 4.0 BY-SA版权
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。
文章标签：

#python #深度学习

于 2024-06-27 12:40:41 首次发布

背景

  • 最近需要测试一下在backbone部分如果不使用预训练参数的话，模型需要多少轮才能收敛
  • 所使用的backbone是mmcls.ConvNeXt
  • mmdetection版本为2.28.2，mmcls版本为0.25.0

修改流程

  • 最简单的方法，直接去mmcls的model zoo里找到对应backbone的config，看看官方是怎么定义的，如链接，然后照葫芦画瓢即可，下面讲一讲如果想按照自己的思路改应该怎么做
  • 第一步，找到mmdetection2.28里的backbone初始化逻辑：init_cfg怎么设置，以及支持哪些初始化方法
    • 一个常见的backbone配置文件写法如下，可见其使用的是type为Pretrained的预训练参数初始策略在这里插入图片描述
    • 要修改该init_cfg，首先去官方文档查看init_cfg应该怎么写，里面对init_cfg的写法进行了详细说明，对应链接
    • 同时，上述链接最后一行给出的
最低0.47元/天 解锁文章
mmdetection修改backnone
03-26
1. 设计Backbone 创建一个新的py文件，这里我的文件名是spinmlp.py，将其放在 mmdet/models/backbones/ 的路径下，也就是 mmdet/models/backbones/spinmlp.py 。 2. 导入模块 这一步很重要。 基于刚刚设计好的backbone模块，这里将一下行添加到 mmdet/models/backbones/__init__.py 同时，在__all__中添加backbone的名称 3. 配置文件 在MMDetection中我们知道，各种文件都是通过配置来进行构建。由于我使用了新的数据集，也替换了新的网路结构，所以我新建了一个新的配置文件，名称为：detr_spinmlp_8x8_150e_mask.py 将原本是resnet的替换为我设计的spinmlp结构： # model settings model = dict( type='DETR', backbone=dict( type='SpinMLP', patch_size=(16, 16), # [1, 20
mmdetection2.24.1修改backbone（使用mmcls和timm已有模型）
ouening的博客
05-20 6452
mmdetection版本：2.24.1 pytorch版本：1.11.0 官方文档Tutorial 11: How to xxx — MMDetection 2.24.1 documentation对更换backbone已经有了比较详细的介绍，特别是较新的版本已经支持mmcls库以及timm库中的现有分类网络，一般直接拿来修改使用即可，但这里最重要的一点就是需要保证修改后的backbone要和后面的neck结构进行进行匹配，主要是通道数方面。目标检测模型的通用结构如下图所示，如果更改backbone后导致
mmdetection不加载预训练权重的方法
york1996的博客
10-30 585
checkpoint=None，会报错，这个时候应该将这个init_cfg都注释掉（可能init_cfg=None也可以）在手动修改模型结构的情况或者其他情况下，我们可能不想让模型加载预训练权重，这个时候，如果。
mmdetection修改backbone使用mmcls和timm已有模型
豆芽菜
06-05 1673
官方文档对更换backbone已经有了比较详细的介绍，特别是较新的版本已经支持mmcls库以及timm库中的现有分类网络，一般直接拿来修改使用即可，但这里最重要的一点就是需要保证修改后的backbone要和后面的neck结构进行进行匹配，主要是通道数方面。目标检测模型的通用结构如下图所示，如果更改backbone后导致于neck的结构不适配，将导致模型失效报错。
mmdetection更换backbone示例
微信号：Custom-Software
03-20 1224
因为，我为了区别是调用的“ResNet”还是自己的“ResNet1”，我把所有“backbone_new.py”文件中的“ResNet”改称了“ResNet1”，我是直接用的原来的“resnet.py”代码，然后自己重新新建了一个“backbone_new.py”文件，调用就可以。记得修改自己的网络结构代码。此处先说明一下，我更换的是“ResNet1”，之前用的是“ResNet”。.py”和“backbone_new.py”这两个文件，这个是需要修改的地方，记得只需要修改“貌似没其他的地方需要修改的了。
目标检测：记录mmdetection替换backbone为ResNeSt
qq_30612045的博客
03-11 4890
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、基本环境配置二、实现过程1.Define resnest2. Import the module3. 适配resnest.py4. 适配resnet.py5. Use the backbone in your config file 前言 实验需要将现有开源目标检测代码的backbone替换为ResNeSt，开源代码基于mmdetection v1开发，mmcv版本较低（0.2.16），随着版本更新， 目前mmdetec
mmdetection使用coco预训练
weixin_42096202的博客
06-04 7797
mmdetection中configs文件一般默认是使用imagenet预训练的backbone权重参数，但是使用coco预训练一般来说会使模型收敛更快，效果更好，是比赛提分的一个小trick！ 1.修改coco预训练模型的类别不一致问题 import torch num_classes = 21 model_coco = torch.load("cascade_rcnn_x101_32x4d_f...
mmdetection中model修改backbone为Res2Net参数配置
2301_78033218的博客
02-16 792
各大平台找了怎么具体修改参数，没找到具体的，都只是模型介绍和代码实现。自己对比着resnext简单修改了一下，成功跑通。具体的其他配置可以自己尝试加减。
MMDetection从零开始训练(windows10)
XGTTTTT011的博客
01-15 1329
MMDetection的环境配置，数据集制作，训练、和结果可视化
mmdetection改进优化（自己改进步骤）
酸菜鱼Cc的博客
03-28 1526
SwinTransformer系列特征提取网络，有三个版本：Large、Small、Tiny。SwinTransformer_large训练的模型精度最优，但是模型太大，用实验室的单GPU跑不起来。
windows10-ubuntu16.04双系统--mmdetection-v1.0.0安装遇到的问题--修改预训练模型
baidu_40840693的博客
02-20 712
1
修改YOLOV5的Backbone为shufflenetv2
u014723479的博客
08-06 3981
YOLOv5修改backbone为shufflenetv2
mmdetection用mmclassification的backbone
iTom's blog
09-17 1213
MMDetection 调用 MMClassification 中 backbone 训练
mmdetection和mmsegmentation无法加载预训练模型的问题
dejahu的博客
10-08 4780
Openmmlab无法加载预训练模型的问题 这两天在调试mmsegmentation和mmdetection，可能是因为自己的原因，预训练模型死活加载不了预训练的模型，无法正常的索引到预训练模型的地址，最后通过降低版本的方式成功地加载了预训练模型并跑了起来，具体的流程如下： 解决过程 安装pytorch和torchvision 我是30系列的显卡，所以需要的cuda版本需要是11以上。 conda install pytorch==1.9.0 torchvision==0.10.0 cudatoolki
魔改Light Weight OpenPose的backbone（Rep-OpenPose）修改BackBone教程
HiiHongFe的博客
04-15 4556
魔改Light Weight OpenPose的backbone
更换目标检测的backbone（以Faster RCNN为例）_frozenbatchnorm2d
2401_83974020的博客
04-14 1567
设定好return_layers之后,我们还需要指定下我们抽取的这几个特征层,他们对应的channels,通过上图中的表格可以看出这个层对应的channels,分别是[40,112,960], 如果不清楚chanel的话,我随机创建一个tensor,输入backbone,然后通过简单的循环打印抽取特征层名称和shape.它所存储的就是上图中对应索引0-16的17个模块,在源码中我们可以知道每搭建一层就会增加一个模块,所以对应的索引就是该模块所在位置.图中抽取的模块,对应的是。
超详细YOLOv8更换backbone
weixin_44900686的博客
01-05 6020
本文是记录自己使用yolov8修改backbone的一个总结，并不涉及具体代码，具体代码在网上很多，写本文的主要原因是目前网上大部分的模块注册教程都或多或少不可用，需要大量搜索才能解决问题，本文在读者有代码的情况下，绝对一次解决所有问题。这里不需要专门自己编写，在图中文件夹，直接复制一个已存在的yaml文件进行修改就好了，一般来说其它专门添加模块的教程会给一个yaml，这里我可以给一个yaml的示例，大家可以对照图中的yolov8.yaml来对比，看看区别。首先在顶部导入你的代码，如图。
0038-目标检测-YoloV3替换各种轻量级backbone
左手coding，右手cooking
01-27 2081
参考链接 YOLO-Multi-Backbones-Attention
Caffe SSD 不使用预训练模型 不加载预训练模型训练
qq_41833285的博客
07-24 1724
有两种情况不加载预训练模型： １．自己数据集类别不在预训练数据集类别中； ２．已更改网络结构。 在ssd_pascal.py中，注释掉以下代码(Ctrl+F快速查找） # pretrain_model = "models/VGGNet/VGG_ILSVRC_16_layers_fc_reduced.caffemodel" # check_if_exist(pretrain_model) # train_src_param = '--weights="{}" \\\n'.format(pretrain_mod
mmdetection不使用预训练
最新发布
04-03
在 MMDetection 框架中，如果希望不依赖于任何预训练权重进行训练或推理，则可以通过修改配置文件中的 `load_from` 参数以及调整网络初始化方式来实现。 #### 配置参数说明 当不需要加载预训练权重时，在配置文件中...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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