【win11环境编译安装deformable Detr的MultiScaleDeformableAttention模块】

已于 2023-01-11 22:36:11 修改
阅读量4.5k 收藏 22
点赞数 3
分类专栏： Deep Learning Anaconda3 pytorch 文章标签： windows
于 2023-01-11 22:30:42 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/xrinosvip/article/details/128650962
版权

Microsoft Visual C++ 14.0 is required.

1.Compiling CUDA operators

cd ./models/ops
sh ./make.sh
# unit test (should see all checking is True)
python test.py

Note: win11 or win10环境下编译cuda operator，经常遇到的：Microsoft Visual C++ 14.0 is required

2.安装Build Tools for Visual Studio

Note: (offline安装或二进制安装等）虽能解决大部分问题，但终究不能从根本上解决问题。

2.1 直接到微软的官方网站下载build tools下载合适的版本，需要注册账号；我直接下载的 Build Tools for Visual Studio 2022 LTSC
在这里插入图片描述
2.2 双击 vs_BuildTools.exe 安装，安装Visual Studio Community 2022 LTSC 17.4， 然后勾选使用c++的桌面开发，并点击右下角的 安装.

Note: 这里需要重点提的是, 尽量把使用C++的桌面开发选择上.后续在用CMake的时候会比较方便.

在这里插入图片描述

等待安装结束即可

3.安装合适的cuda

CUDA官方安装教程: Link
CUDA Toolkit的下载: Link
Note: 安装与Anaconda环境中pytorch使用的 cudatoolkit 对应版本的 CUDA; eg:cudatoolkit=11.6，则下载 cuda_11.6.0_511.23_windows.exe

在这里插入图片描述

3.1 安装配置
双击你下载的CUDA Toolkit, 你就会看到工具包的解压路径(推荐默认，毕竟是底层调用，默认安装能减少不必要的麻烦).

在这里插入图片描述

解压完毕之后, 就开始安装了, 接下来点击 同意并继续

在这里插入图片描述

接下来设置安装选项, 这里推荐点击 自定义 (特别是第一次安装):

在这里插入图片描述

将能选的都选上, 很多东西可能你一开始用不上(比如nsight系统), 但是当你做的越来越多, 涉及的越来越深的时候就可能会用到.

在这里插入图片描述

选择安装路径, 这里也推荐默认, 毕竟是底层的调用库

在这里插入图片描述

直到CUDA Toolkit 安装完毕.

4.编译

windows环境安装 git bash ， 即可运行 Linux 命令。

在这里插入图片描述

Reference：
[1]: https://zhuanlan.zhihu.com/p/471661231
[2]: 最新CUDA环境配置(Win10 + CUDA 11.6 + VS2019)
[3]: pytorch 配置deformabledetr和referformer工程环境踩坑
[4]:Deformable-DETR/issues/10

Deformable DETR：结合多尺度特征、可变形卷积机制的DETR
weixin_44052271的博客
10-20 1949
针对上述两个问题，文章提出Deformable-DETR，将可变形卷积（deformable convolution，不了解原理的同学可自行查阅）处理稀疏空间位置的机制和transformer的全局建模能力结合起来，缓解了收敛速度慢的问题（），同时提出的机制可扩展到多尺度特征，从而进一步提高了小目标的检测性能，一举两得。
NPU编译MultiScaleDeformableAttention
Seven
04-10 812
NPU对pytorch，想将检测模型在NPU上训练，存在编译MultiScaleDeformableAttention的需求。然而，原dino模型仅包含CPU版本和GPU版本：是不是就真的无法解决了呢？d。
windows下安装MultiScaleDeformableAttention的注意事项
qq_41234663的博客
07-24 4971
注意事项
Multiscale deformable attention
MAX的专栏
03-13 1267
deformable attention 灵感来源可变形卷积，先来看看什么是可变形卷积DCN? DCN 论文地址 大概就像图中所示，传统的CNN 卷积核是固定的，假设为N = 3 x3，所以邻域9个采样点位置就是固定的。可变形卷积目的就是动态生成这9个采样位置。 首先特征图经过卷积层，这个和传统CNN没区别，然后生成与特征图一样大小的位置偏移网络，channel = N * 2，表示在原有9个固定采样点上的x, y 偏移。 得到偏移量后再回到原始特征图上进行插值采样，进行采样点卷积，得到当前特征点的输出值
windows编译DeformableDetr，cuda大于10.2
m0_52280920的博客
07-06 603
cuda大于10.2如何编译Deformable Detr
import MultiScaleDeformableAttention as MSDA MultiScaleDeformableAttention 模块安装
feeling0414的博客
12-19 6373
import MultiScaleDeformableAttention as MSDA 一直报错，显示没有相应模块。pip install MultiScaleDeformableAttention 报错，没有相应的包。原始模块包 GitHub地址。
Windows配置MultiScaleDeformableAttention记录
qq_52461513的博客
09-10 1万+
Windows配置MultiScaleDeformableAttention遇到的无法编译make.sh问题解决记录
多尺度可形变注意力机制MultiScaleDeformableAttn
li4692625的博客
01-26 3775
这个模块是将 Transformer 的全局注意力变为局部注意力的一个非常关键的组件，用于减少训练时间，提高 Transformer 的收敛速度；该机制来源于BEVFormer中的技术；目前已集成到MMCV MMDET3d中。
【可变形注意力（1）】Multi-scale Deformable Attention Transformers 多尺度变形注意力
Hali_Botebie的博客
10-27 4789
1、大多数现代物体检测框架受益于多尺度特征图 (Liu等人，2020)。2、Deformable DETR: Deformable Transformers for End-to-End Object Detection 提出的可变形注意力模块可以自然地扩展为多尺度特征图。
CV——day84 多尺度变形注意与多层特征聚合遥感目标检测
想太多的学习日志
03-18 1629
在本文中，我们提出了一种MSDAM和一种MLFAM，并将它们插入FPN中，以提高不同形状和大小的遥感目标的检测性能。在DIOR和RSOD数据集上进行的大量实验表明，本文提出的方法在检测精度方面优于目前最先进的基线方法。
Deformable DETR
05-03
Deformable DETR 模型的两个官方权重文件： r50_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage-checkpoint.pth r50_deformable_detr_plus_iterative_bbox_refinement-checkpoint.pth
Deformable-Attention-for-Deformable-DETR
04-14
可变形DETR的变形注意 wrt
[2008 CVPR] A Discriminatively Trained, Multiscale, Deformable Part Model
12-24
[2008 CVPR] A Discriminatively Trained, Multiscale, Deformable Part Model 文章翻译见： http://blog.csdn.net/masibuaa/article/details/17533419
python基于transformer的车辆行人识别
01-03
python基于transformer的车辆行人识别
Deformable-DETR模型代码
09-24
Deformable-DETR在DETR的基础上引入了可变形的注意力模块，这种模块能够更加灵活地处理图像中的不同区域，从而提升模型对物体形状和尺寸变化的适应性。在该模型中，注意力机制不是均匀地应用于图像特征图上的，而是...
DEFORMABLE DETR: DEFORMABLE TRANSFORMERS FOR END-TO-END OBJECT D
11-25
为了解决这个问题，DEFORMABLE DETR引入了可变形注意力模块，这些模块仅关注参考点周围的一小部分关键采样点。这种设计提高了模型的效率，特别是在处理小物体时，DEFORMABLE DETR在比DETR少10倍的训练轮次下就能实现...
5.关于Deformable Detr
一名从Java开发工程师转型的人工智能研究生，致力于图像修复和图像超分领域的探索与研究。通过博客分享个人的学习心得、研究成果以及在人工智能应用中的实际经验，欢迎与同行交流。
09-05 924
举例源码中使用multi-scale都是四层。
【计算机视觉 | 目标检测】ModuleNotFoundError: No module named ‘MultiScaleDeformableAttention‘
热门推荐
wzk4869的博客
04-30 1万+
【计算机视觉 | 目标检测】ModuleNotFoundError: No module named 'MultiScaleDeformableAttention'
deformable detr win复现
最新发布
03-30
### 如何在 Windows 上复现 Deformable DETR 模型 PyTorch 实现 要在 Windows 环境下成功复现 Deformable DETR 模型的 PyTorch 实现，需要完成以下几个方面的准备工作和技术实现： #### 1. 创建 Conda 虚拟环境并安装依赖项 为了确保兼容性和稳定性，建议使用 Anaconda 或 Miniconda 来管理 Python 环境。以下是创建虚拟环境的具体命令： ```bash conda create -n deformable_detr python=3.9 pip ``` 激活该环境后，可以继续安装所需的库和工具包[^1]。 #### 2. 安装 CUDA 和 cuDNN 驱动程序 由于 Deformable DETR 的核心部分涉及自定义 CUDA 算子（如多头注意力机制中的可变形卷积），因此需要正确配置 NVIDIA GPU 及其驱动版本。推荐按照官方文档说明下载对应版本的 CUDA 工具链以及 cuDNN 库文件[^2]。 #### 3. 下载源码仓库并编译扩展模块 访问 GitHub 页面获取最新版 DAB-DETR/Dynamic Anchor Boxes (DAB)-based Deformable Transformer Reference Detection Network 的开源项目地址链接。克隆至本地磁盘路径之后进入目录执行如下脚本语句来构建必要的 C++/CUDA 扩展组件： ```bash git clone https://github.com/IDEA-Research/DAB-DETR.git cd DAB-DETR pip install -r requirements.txt python setup.py build develop ``` #### 4. 数据集准备与预处理流程 通常情况下 COCO 格式的标注数据会被广泛应用于目标检测任务当中。如果尚未准备好训练验证测试三套样本集合，则需前往官方网站下载压缩包解压放置指定位置；同时调整参数设置使得加载器能够识别到这些图片及其对应的标签信息。 #### 5. 运行实验脚本观察效果表现 最后一步便是启动主函数入口点开始迭代优化权重直至收敛或者达到预期指标为止。例如可以通过以下方式调用默认配置来进行单次前向传播计算演示： ```python from models import build_model import util.misc as utils args = parser.parse_args() model, criterion, postprocessors = build_model(args) utils.load_model_weights(model, args.resume) outputs = model(samples) loss_dict = criterion(outputs, targets) ``` 以上即为整个基于 Windows 平台部署运行 Deformable DETR 的大致步骤概述。 ---
评论 11
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