MindSpore运行SSD-MobileNetV1 FPN样例报错

最新推荐文章于 2024-06-07 18:42:20 发布
最新推荐文章于 2024-06-07 18:42:20 发布
阅读量174 收藏
点赞数
文章标签： 人工智能 深度学习 大数据
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_45666880/article/details/125725261
版权

1、安装MindSpore GPU版本（我的cuda是11.2，不知道是不是这个影响了），并在modelzoo下载样例，样例来源

https://gitee.com/ascend/modelzoo/tree/master/built-in/MindSpore/Official/cv/detection/SSD_for_MindSpore

2、在Ubunt18.04上运行按照代码readme文档进行操作，将数据集下载放到指定路径下，最后运行报错。

【截图信息】

解答：

看报错提示，是构造动态学习率的时候的total_steps设置为0了，请检查一下数据集配置等信息，看一下是否没有识别到数据集，导致总训练步数为0.

小乐快乐
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测场景SSD-Mobilenetv1-FPN
sdw8855的博客
08-01 1013
基于SSD_MobileNetV1_FPN（采用MobileNetV1网络和FPN网络作为Backbone的SSD网络)。与fasterRcnn原生模型类似，有四个输出张量，分别为目标数，置信度，坐标框和类别ID。
Windows系统MindSpore CPU 1.6.2运行gitee提供的SSD模型创建MindRecord问题
xi_xiyu的博客
10-29 164
Windows系统MindSpore 1.6.2 CPU 环境下，运行gitee提供的SSD模型，下载COCO数据集后，修改了official/cv/ssd/config/ssd300_config_gpu.yaml文件，单独运行official/cv/ssd/src/dataset.py文件创建MindRecord文件报错。本人修改的yaml文件及完整代码在附件，yaml为 official/cv/ssd/config/ssd300_config_gpu.yaml。coco文件夹及位置如图。
基于FPGA的高精度机器视觉缺陷检测方案——探秘铝片表面四种缺陷识别技术，FPGA技术实现铝片表面四种缺陷的检测，基于SSD-MobileNetV1模型识别精度高达85%以上，附源码和端测文件
最新发布
BPmRsqyL的博客
06-07 170
SSD-MobileNetV1是一种轻量级的目标检测算法，它结合了Single Shot Multibox Detector (SSD)和MobileNet的优点，能够在保证较高识别精度的同时，减少计算和内存消耗。在端测文件的设计中，我们考虑了铝片表面四种缺陷的特点，并针对性地设计了相应的检测算法和参数设置。综上所述，基于FPGA机器视觉缺陷检测的实现在铝片表面缺陷检测领域具有重要的应用价值。通过与传统的基于CPU和GPU的方法进行对比，实验结果表明我们的系统在识别精度和检测速度方面都取得了显著的优势。
【MindSpore功能】运行SSD-MobileNetV1 FPN样例报错
weixin_45666880的博客
08-08 703
看报错提示，是构造动态学习率的时候的total_steps设置为0了，请检查一下数据集配置等信息，看一下是否没有识别到数据集，导致总训练步数为0.1、安装MindSpore GPU版本（我的cuda是11.2，不知道是不是这个影响了），并在modelzoo下载样例，样例来源。2、在Ubunt18.04上运行按照代码readme文档进行操作，将数据集下载放到指定路径下，最后运行报错。...
ssd_mobilenet_v1_coco_2017_11_17
07-30
ssd_mobilenet_v1_coco_2017_11_17 tensorflow预训练模型
ssd_mobilenet_v1_coco.config
03-25
tensorflow objection detection api ssd 配置文件 ssd_mobilenet_v1_coco.config
王者血条图像识别fasterrcnn-mobilenetv3-large-fpn模型权重文件
10-26
https://blog.csdn.net/lidashent/article/details/134058091?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22134058091%22%2C%22source%22%3A%22lidashent%22%7D和这...
王者血条图像识别fasterrcnn-mobilenetv3-large-fpn模型权重文件和相关工程文件
10-26
https://blog.csdn.net/lidashent/article/details/134058091?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22134058091%22%2C%22source%22%3A%22lidashent%22%7D和这...
SSD/DSOD/Tiny-DSOD/FPN解读
10-14
### SSD/DSOD/Tiny-DSOD/FPN 解读 #### 一、SSD (Single Shot MultiBox Detector) SSD是一种高效的物体检测方法，它通过单次卷积网络预测来实现多尺度的目标检测。与传统的两阶段检测器（如R-CNN系列）相比，SSD在...
faster-rcnn+fpn+resnet+目标检测
04-07
文件“faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth”是预训练模型的权重文件，其中“r50”代表使用了ResNet-50作为基础网络，“fpn”表明使用了FPN结构，“1x”通常是指按照原论文的训练计划进行训练，而...
SSD-Tensorflow.zip
10-17
1. **基础网络**：SSD可以基于各种预训练的卷积神经网络（CNN）作为基础网络，如VGG16、VGG19或MobileNet等。这些网络的最后几层被替换为特定于SSD的层，用于检测不同尺度的目标。 2. **特征金字塔网络**（Feature ...
68-Retinaface-Pytorch-version:使用带有MobileNet 0.25的RetinaFace进行6896个地标检测
05-04
视网膜面火炬版 由于机密性，它不是我模型的最佳版本 感谢Alvin Yang（ ） 这是68个地标检测的分支，预先训练的模型位于./out中 进行96个地标检测（请参阅其他分支） 该模型还预测了地标的被遮挡部分，如果不希望它们出现，可以将其隐藏。 基于RetinaFace 当前模型 mobileNet V1 + FPN +上下文模块+回归器1.6MB CPU〜10FPS GPU 50FPU 火车：（请参考dataloader.py更改文件位置） python3 train.py -train该模型使用LS3D-W数据集，或将您的数据集更改为demo.pt/ demo.jpg（68 * 2张量）的格式 使用本地摄像头： python3 video_detect.py（需要删除所有'cuda（）'，并在CPU本地运行） 评估模型： python3 train.py -train错
SSD-mobilenetv1训练过程（1）
sunshine1324的博客
03-14 3301
错误：索引值14超出范围，检查后发现这个索引值是按照我定义的模块来算的，比如con_bn_relu算一层而不是三层，所以self.model总共14层，索引值为0~13. 想看看自己写的网络结构究竟什么样，所以用了print（model） 说是输入为22，但卷积核为33，输入比卷积核小，出现错误。于是按照下图方式输出每一层的x.size() 通过type（x）得知x为tensor类型（一个多维张量或者说多维矩阵），因此可以输出其维数来查看每层的feature map大小及输出输入通道数。 通过上一.
MobileNets—深度学习模型的加速
热门推荐
AI之路
06-08 3万+
本篇博文来介绍一个深度学习模型加速的算法：MobileNets，可以在基本不影响准确率的前提下大大减少计算时间和参数数量。论文：MobileNets Efficient Convolutional Neural Networks for Mobile Vision Applications 论文链接：https://arxiv.org/abs/1704.04861算法概述：深度学习网络广泛应用在图
基于FPGA机器视觉缺陷检测实现铝片表面四种缺陷的检测
ydwdWCo的博客
01-23 545
SSD-MobileNetV1是一种轻量级的目标检测算法，它结合了Single Shot Multibox Detector (SSD)和MobileNet的优点，能够在保证较高识别精度的同时，减少计算和内存消耗。在端测文件的设计中，我们考虑了铝片表面四种缺陷的特点，并针对性地设计了相应的检测算法和参数设置。综上所述，基于FPGA机器视觉缺陷检测的实现在铝片表面缺陷检测领域具有重要的应用价值。通过与传统的基于CPU和GPU的方法进行对比，实验结果表明我们的系统在识别精度和检测速度方面都取得了显著的优势。
华为开源自研AI框架昇思MindSpore应用案例：SSD目标检测
Yeats_Liao的博客
06-16 1721
华为开源自研AI框架昇思MindSpore应用案例：SSD目标检测
ssd_mobilenet_v1_fpn_coco Error: No variables to save
Color Space的博客
01-09 1062
在使用TensorFlow Object Detection API训练ssd_mobilenet_v1_fpn_coco模型时报错Error: No variables to save 下载预训练模型文件对应ssd_mobilenet_v1_fpn_shared_box_predictor_640x640_coco14_sync_2018_07_03 config文件ssd_mobi...
利用自己的数据重训ssd-mobileNetV1并在NCNN上部署
Akatsuki2765的博客
05-10 4323
        随着深度学习的发展，目标检测算法已逐渐趋于成熟。目前基于深度学习的目标检测算法可以被分为两个大方向，一方面是以fast-RCNN为代表的含有Region Proposal Stage的模型，例如faster-RCNN和R-FCN；另一方面是以SSD为代表的Single Stage模型，例如SSD, yolo等。尽管Region Proposal已经逐步地被优化并且加入到了深度网络中...
tensorflow object detect API ssd-mobilenet-v1网络结构源码修改
qq_26535271的博客
10-10 2323
最近使用TensorFlow object_detect API做目标检测任务，由于要求目标检测模型能够移植客户端中，进而选择目标检测模型时则选择轻量级的模型，最后选择了ssd_mobilenet_v1作为目标检测的模型。 之前写过了TensorFlow object_detect API训练自己数据的步骤以及通过修改配置文件参数降低模型输入大小和模型通道数方法达到压缩模型提高推理速率(此处)。...
深度学习目标检测：SSD, DSOD, Tiny-DSOD与FPN解析
本文主要讨论了四种深度学习领域的目标检测模型：SSD（Single Shot MultiBox Detector）、DSOD（Deeply Supervised Object Detection）、Tiny-DSOD和FPN（Feature Pyramid Network）。这些模型在计算机视觉任务中...
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