- 博客(5)
- 收藏
- 关注
RSS订阅原创 使用torch.cuda.Event() 精确记录GPU上模型的推理时间
import torchtime_pool = 0for input_tensor,label in dataloader: start = torch.cuda.Event(enable_timing=True) end = torch.cuda.Event(enable_timing=True) start.record(stream=torch.cuda.current_stream()) output_tensor = model(inp.
2022-04-20 20:21:28
3920
原创 Labelme库的json2dataset函数改写
可用于方便的将json格式的标注文件转换为png、jpg等image文件。如果是conda环境的话，pip install labelme之后，文件位置是：./envs/{ENV_NAME}/lib/python3.6/site-packages/labelme/cli/json_to_dataset.py主要修改标注名到灰度值得映射字典，无标注的默认为"_background"，还可以自由添加输出路径等。img为原图，lbl为转换后的灰度图，lbl_visable为混合原图与灰度图的可视化图。
2021-11-22 14:15:31
2020
原创 SegFormer使用的几点注意事项
1. 单机调整配置文件为‘BN’，在训练文件中添加如下配置：import torch.distributed as distdist.init_process_group('gloo', init_method='./TEMP_BLANK', rank=0, world_size=1)TEMP_BLANK为任意无后缀空白文件。2. 添加FocalLoss损失函数，路径为./mmseg/models/losses/cross_entropy_loss.py，同时添加__init__定义。
2021-11-19 16:18:34
2447
5
原创 论文研读：SuperGlue vs. LoFTR
简介SupeGlue与LoFTR都是对图片间进行特征点匹配的方法，其目的是，找到图像A、图像B中同时存在的相同物体实例，并输出其位置信息、匹配关系。在提取出特征点后，我们通过图神经网络生成匹配代价矩阵，并求解最优匹配矩阵，以获得全局最优的匹配结果。图神经网络简介在讨论 GNN 之前，让我们先了解一下什么是图 (Graph)。在计算机科学中，图是由两个部件组成的一种数据结构：顶点/节点 (vertices/nodes)和边 (edges)。一个图 G 可以用它包含的顶点 V 和边 E 的集合.
2021-11-19 16:04:04
7902
11
原创 使用albumentations库进行数据增强
需要注意增强之后以字典键值的形式调用输出，且可以保证img、gt的随机增强是一一对应一致的。import albumentations as albutfrd = albu.Compose([ albu.HorizontalFlip(p=0.5), albu.VerticalFlip(p=0.5), albu.ShiftScaleRotate(shift_limit = 0,scale_limit = 0,rotate_limit=(-30,30),p=1,border_mo...
2021-11-19 14:34:43
3237
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人