MMsegmentation如何输出新的模型评价指标

最新推荐文章于 2025-03-14 17:49:08 发布
最新推荐文章于 2025-03-14 17:49:08 发布
阅读量1.1k 收藏 14
点赞数 17
文章标签： 深度学习 机器学习 算法
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_45501482/article/details/135790719
版权

在使用MMsegmentation框架进行模型训练过程中，模型会默认的输出指定的评价指标，如果需要对评价指标进行更改，打印符合自己的评价指标，可以在“/mmsegmentation-main/mmseg/evaluation/metrics/iou_metric.py”中进行修改，这个文件中提供了以下三种类型

 

 每种类型会有自己的评价指标，可以选择自己需要的，如果都不符合，可以对其代码进行修改，让其打印符合自己要求的评价指标

 

 

mmdetection模型的评价工具
dnty00的博客
08-06 1988
mmdetection模型评价方法，包括log中参数的可视化、评价模型复杂度等
MMSegmentation笔记
985小菜鸡
07-10 793
这里可以选择mmsegmentation/configs/目录下的不同模型进行实验，这里以unet为例，我创建的这个文件代码如下：可以看到，_base_定义了模型配置，数据集配置，调度策略配置，运行时配置。然后也定义了裁剪大小，数据预处理。_base_ = [
MMsegmentation框架模型训练出现“nan”
weixin_45501482的博客
01-23 1203
解决办法是可以在模型训练开始时，使用“where python”命令，查看Python的地址，然后使用export命令，如下图。在使用MMsegmentation框架中的模型进行训练时，发现在训练过程中，评价指标的值长时间为“nan”，如下图。自己使用该命令后可以解决该问题，至于为什么会出现这个问题，在查找其他文章时并未找到原因以及其他的解决思路。这种情况可能会在模型训练开始就出现，有可能会训练几轮后就出现。
mmseg中的评价指标
jinxianwei1999的博客
12-16 2649
mmlab中mmseg的模型评估指标
【mmsegmentation】mmsegmentation中如何增加更多的评估指标？含源代码
最新发布
wzk4869的博客
03-14 676
【mmsegmentation】mmsegmentation中如何增加更多的评估指标？含源代码
如何在mmsegmentation中更改衡量指标
weixin_45912366的博客
07-13 4822
mmsegmentation中更换或者添加评估指标指南
win10下mmsegmentation导出onnx模型
hyj0000的博客
03-08 848
其实我的任务本来很简单，就是需要对一个已知的pth分割模型导出为onnx，但是又因为这个网上提供的模型是mm平台下训练的，是要给乙方验证部署用的，所以还是得用mmseg下的方法导出onnx因为怕通用方式导出有错误，就开始接触这个mmsegmentation，结果就是一系列问题，说实话这个平台初衷是好的但是平台环境真的让我觉得就一句话：没见过更差的。反正就是在各种版本之间反复横跳，最后的最后我还是没有沾mmdeploy直接用的mmseg导出Onnx，整个过程就是异常艰难差点放弃。
mmsegmentation 计算参数量（params）和计算量（ FLOPs）
DZY的博客
01-27 2994
mmsegmentation 计算参数量（params）和计算量（ FLOPs） 这命令输入了好几次都错了，容易忘，记录一下用法。
mmsegmentation教程2：如何修改loss函数、指定训练策略、修改评价指标、指定iterators进行val指标输出
weixin_42748439的博客
04-13 1万+
简介 在mmseg教程1中对如何成功在mmseg中训练自己的数据集进行了讲解，那么能跑起来，就希望对其中loss函数、指定训练策略、修改评价指标、指定iterators进行val指标输出等进行自己的指定，下面进行具体讲解 具体修改方式 mm系列的核心是configs下面的配置文件，数据集设置与加载、训练策略、网络参数设置都在configs下面的配置文件里，可以简单理解为以前使用的开源框架中的main()函数，所有的参数都在这里指定，下面以configs/swin/upernet_swin_tiny_patc
MMSegmentation跑自己的数据进行二分类
LiChengwei的博客
05-02 9577
我的数据是RGB影像为.tif，标签影像为单通道（0-255）的.png影像，背景像素值为0，建筑物像素值为255 制作自己的数据集进行二分类步骤如下： 1、在mmsegmentation\mmseg\datasets文件夹下创建mydataset.py 注意：将reduce_zero_label=False，ignore_index随便设置一个数不在0-255即可。这两个变量的作用参看源代码mmsegmentation\mmseg\datasets\custom.py。个人理解reduce_zero_la
mmsegmentation效果
02-20
### MMSegmentation 模型性能和效果评估 MMSegmentation 提供了一系列工具来帮助用户理解和提升模型的表现。对于模型性能和效果的评估，不仅依赖于量化指标，还涉及到定性的分析方法。 #### 定量评价标准 为了...
mmdetection 模型评测指标
03-02
1. mmdet 默认使用的是coco格式的数据集，算法训练模型也是使用的coco格式训练数据； 2. 评测指标同样使用COCO数据集的评测指标，指标如下： 3. 算法评测参数： bbox  —— 目标检测框 segm —— 目标分割结果 4.  模型的判断标准有AP（平均精确率） 和AR（平均召回率） 两大类，在机械臂项目中，主要依据AP 来进行评测。 MAP  ——   mean Average Precision, 即各类别AP的平均值 AP50  ——  IOU 阈值设置成0.5时的AP值，也可协作mAP.5 mAP.5:.95 ——  mAP@[.5:.95](mAP@[.5,.95]) 表示在阈值区间 [0.5, 0.95]，步长为0.5的平均mAP 。IoU thresholds, from 0.5 to 0.95, step 0.05 (0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.9
mmsegmentation:OpenMMLab语义细分工具箱和基准
03-18
MMSegmentation是基于PyTorch的开源语义分割工具箱。它是OpenMMLab项目的一部分。 master分支可与PyTorch 1.3+一起使用。 主要特点 统一基准 我们为各种语义分割方法提供了一个统一的基准测试工具箱。 模块化设计 ...
二、MMsegmentation 配置教程+训练教程+模型测试（ 服务器）
热门推荐
qq_43507388的博客
04-08 2万+
时间： 2022年4月8日 内容：训练 MM Segmentation 中的deeplabv3 深度神经网络 如果想要系统的学习，可以参考官方文档： https://mmsegmentation.readthedocs.io/en/latest/get_started.html#installation 但是我理解力有限感觉不太详细。 基础的配置和介绍可以看我的上一篇博客，这篇讲一下训练。 1 试错 首先我也是在网上参考的教程： https://zhuanlan.zhihu.com/p/3930705
MMSegmentation系列之模型训练与推理（二）
qq_41627642的博客
06-01 3706
1、 模型训练 MMSegmentation实现了分布式训练和非分布式训练，分别使用MMDistributedDataParallel和MMDataParallel。所有输出(日志文件和检查点)将被保存到配置文件中的work_dir指定的工作目录中。 默认情况下，我们在一些迭代之后对验证集上的模型进行评估，您可以通过在训练配置中添加interval参数来更改评估间隔。 evaluation = dict(interval=4000) # This evaluate the model per 4000 i
MMSegmentation文档学习记录（一）
m0_63495706的博客
04-13 1704
这些都是用于训练和测试PSPNet的配置文件，使用MMEngine实现的Config来加载和解析它们。当测试的数据集没有提供标注，评测时没有真值可以参与计算，因此需要设置。当需要保存测试输出的分割结果，用 --out 指定分割结果输出路径。：测试 Cityscapes 数据集并保存输出分割结果。文件提供了在单 GPU 上启动测试任务的方法。文件提供了在单GPU上部署训练任务的方法。，由于没有标注，我们需要在数据增强变换中。数据集(dataset)，在图像上可视化分割结果。模型(model)，
MMsegmentation教程 6: 自定义运行设定
yanqianglifei的专栏
01-22 3356
自定义优化设定 自定义 PyTorch 支持的优化器 我们已经支持 PyTorch 自带的所有优化器，唯一需要修改的地方是在配置文件里的 optimizer 域里面。 例如，如果您想使用 ADAM (注意如下操作可能会让模型表现下降)，可以使用如下修改： optimizer = dict(type='Adam', lr=0.0003, weight_decay=0.0001) 为了修改模型的学习率...
mmsegmentation参数配置实用详解
始于足下
11-02 927
mmsegmentation实用参数配置文件，主要包括基础环境配置，学习率调整，优化器、数据流；对模型部分进行了删减与简化384,384,#孪生TF主干网络#在主干网络中需要设置channel#冻结训练设置：0-3可以进行冻结设置# 模型采用预训练权重进行初始化#init_cfgdictnum_classes = 4 model = dict(type = 'EncoderDecoder' , data_preprocessor = data_preprocessor , #孪生TF主干网络。
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