【复现4】CADTransformer: Panoptic Symbol Spotting Transformer for CAD Drawings

最新推荐文章于 2024-08-14 18:20:49 发布
最新推荐文章于 2024-08-14 18:20:49 发布
阅读量251 收藏
点赞数
文章标签： 深度学习 python
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/yuzema/article/details/129098329
版权

原来是我的预训练集没有搞好，根据预训练集的README下载了

| HRNet-W48-C | 77.5M | 16.1 | 20.7% | 5.5% |OneDrive/BaiduYun(Access Code:68g2)
https://pan.baidu.com/s/13b8srQn8ARF9zHsaxvpRWA|

放到了pretrained_models文件夹然后成功跑通：
请添加图片描述
激动人心！！！
最后两步：
请添加图片描述
这里过去了两天：
报了很多错，改了好多代码，基本上都是目录对不上
最后显示显卡显存不足，所以我和导师说最后分了一块服务器给我。
后续内容欢迎大家访问我的官网
zhitiangg.cn

知天哥哥
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Transformer应用到建筑行业，CAD设计起飞了
zandaoguang的博客
05-18 839
视学算法报道转载自：机器之心作者：力元深度学习的灵活性恰好适合于复杂的 CAD 设计，DeepMind 的研究者基于 CAD 草图与自然语言建模的相似性，提出了自动生成 CAD 草图的机器...
【复现3】CADTransformer: Panoptic Symbol Spotting Transformer for CAD Drawings
yuzema的博客
02-18 423
安装后同样报错，经过查看发现是timm库的引用出现了问题，所以我怀疑版本对不上，所以我用conda又下载了一遍。所以我认为是环境的问题，安装文件夹内的requirements.txt来安装。只能卸掉timm，然后重新安装pytorch和torchvison的指定版本。这篇论文也比较晚2022年的，所以我打算使用0.6.11版本试一下，不行。然后只能重装系统，conda又出了一次问题又重装系统。Solving environment: / 已杀死。目前卡在了这里，得先去写开题报告了，暂时搁浅一下。
【复现2】CADTransformer: Panoptic Symbol Spotting Transformer for CAD Drawings
yuzema的博客
02-17 400
这是数据集，可以以一定方式下载下载后：然后跑程序会出现很多问题，删除svg2png.py文件中，93行的一部分，然后：这里改了99行和100行代码然后再跑代码又出现两个问题：cp的问题我记得改代码sudo好像无法实现，通过授权指定文件夹所有权来实现myz是我的计算机名字然后还有signal报错，是在_utils_dataset.py文件中加入头文件不出所料，再次报错：这里我尝试用，结果是不行的，“-o”参数不可用再次跑代码，稍等片刻（25min）
【复现1】CADTransformer: Panoptic Symbol Spotting Transformer for CAD Drawings
yuzema的博客
02-04 472
没有显卡驱动建议先在软件与更新安装驱动，然后再安装CUDA不选driver。同样的opencv-python也用python其他的都用conda。没想到又报错了，原因是utils_dataset.py 缺少库。sudo: 无法执行 /usr/bin/cp: 参数列表过长。sudo: 无法执行 /usr/bin/cp: 参数列表过长。经历了前几次的失败，现在对于安装环境已经是轻车熟路了。然后下载数据集，要用到科技手段，如果有需要可以私信我。sklearn报错，用python装后。遇见不存在的库就安装上去。
panoptic:适用于全景项目的Frappe应用
05-11
Panoptic项目旨在为参与在印度部署和实施面部识别技术（FRT）项目的相关政府利益相关者带来透明度和问责制。 该存储库包含的源代码 安装 您可以使用进行安装，请阅读的说明。 贡献 贡献使开源社区成为了一个令人...
coco2017-panoptic-annotations-trainval2017.zip
02-08
coco2017——panoptic_annotations_trainval2017.zip panoptic_annotations_trainval2017里面有两个标注文件： panoptic_train2017.json panoptic_val2017.json 这里面就是那92类的stuff，用于全景分割任务（不同...
realtime_panoptic:PyTorch正式执行CVPR 2020口头
04-22
cd realtime_panoptic make docker-build 为了验证您的安装，您还可以使用我们的Cityscapes预训练模型来运行我们的简单测试运行以对1个测试图像进​​行推断： make docker-run-test-sample 现在您可以以交互模式...
panoptic-deeplab:这是Pytorch重新实现的CVPR 2020论文“ Panoptic-DeepLab
03-18
Panoptic-DeepLab（CVPR 2020） Panoptic-DeepLab是最先进的自下而上的全景分割方法，其目的是为输入图像中的每个像素分配语义标签（例如人，狗，猫等）实例标签（例如ID为1、2、3等）到属于事物类别的像素。...
Panoptic Feature Pyramid Networks.pdf
11-12
FAIR何恺明团队最新论文提出“全景FPN”，聚焦于图像的全景分割任务，将分别用于语义分割和实例分割的FCN和Mask R-CNN结合起来，设计了Panoptic FPN。该方法可能成为全景分割研究的强大baseline。Facebook人工智能...
CNN-GRU神经网络多输入单输出回归预测【MATLAB】
沅的博客
08-14 625
多输入：模型可以接受来自不同来源的多种数据输入，这些数据可以是时间序列、图像数据或其他类型的数据。回归预测：将CNN和GRU提取和学习到的特征经过合适的全连接层进行线性变换，得到最终的回归预测结果。时序建模：GRU用于捕捉数据的时序依赖关系。局部感受野：通过卷积操作，CNN能够识别输入数据中的局部特征，从而提取图像、序列或其他类型数据中的重要模式。特征提取和建模：结合了CNN的空间特征提取能力和GRU的时序建模能力，提高了模型的准确性和鲁棒性。特征融合：将CNN提取的空间特征和GRU提取的时序特征结合。
【深度学习】【语音】TTS，最新TTS模型概览，扩散模型TTS，MeloTTS、StyleTTS2、Matcha-TTS
q742971636的博客
08-14 46
MeloTTS: MeloTTS 是 MyShell.ai 开发的一个多语言语音合成模型，支持包括英语、西班牙语、法语、中文、日语和韩语等多种语言。它以高质量的语音合成为特色，尤其擅长处理中英混合内容。该模型优化了在 CPU 上的实时推理能力，使其在多种应用场景中都能高效运行【6†source】。StyleTTS2: StyleTTS2 旨在通过风格扩散和对抗训练达到人类级别的语音合成。它通过将风格建模为潜在变量，生成自然且富有表现力的语音。
迅为【AI深度学习推理加速器】RKNPU2 从入门到实践视频教程3568开发板
mucheni的博客
08-14 265
P9-08_RKNN Toolkit lite2部署RKNN模型-14:51。P8-07_RKNN 模型评估-性能评估和内存评估-14:24。P4-03_RKNN Toolkit2 环境搭建-12:44。P7-06_RKNN 模型评估-量化精度分析-30:27。P11-10_RKNPU2 零拷贝API讲解-23:38。P10-09_RKNPU2 通用API讲解-30:27。P6-05_RKNN 模型评估-推理测试-28:24。P5-04_RKNN模型构建-29:14。P1-00 前言-05:13。
yolo 训练自己的数据集
m0_73406727的博客
08-14 204
训练自己的数据集
yolov8 deepsort 检测分割 技术检测，汽车计数跟踪，车辆检测，车辆轨迹追踪，小汽车检测跟踪，目标检测，深度学习（智能交通系统中的车辆检测与跟踪）
2401_83580557的博客
08-13 244
yolov8 deepsort 检测分割 技术检测，汽车计数跟踪，车辆检测，车辆轨迹追踪，小汽车检测跟踪，目标检测，深度学习（智能交通系统中的车辆检测与跟踪）
李沐老师动手深度学习pytorch版本的读取fashion_mnist数据并用AlexNet模型训练，其中修改为利用本地的数据集训练
最新发布
weixin_44628096的博客
08-14 291
李沐老师动手深度学习pytorch版本读取fashion_mnist数据并使用AlexNet训练，修改为本地的数据集训练
序列建模之循环和递归网络 - 循环神经网络篇
绎岚科技的博客
08-14 1063
在探索序列数据的深层规律时，循环神经网络（RNN）以其独特的设计思想成为了序列建模领域的中流砥柱。与传统的神经网络不同，RNN引入了循环结构，使得网络能够处理任意长度的序列数据，并在处理过程中保留对之前信息的记忆。这种设计使得RNN能够捕捉序列中的时间依赖性和动态变化，从而有效应用于自然语言处理、时间序列预测、语音识别等多个领域。通过训练，RNN能够学习到序列数据的内在规律和模式，进而对未来的数据进行预测或生成。
深度学习基础--神经网络概述
2302_80644606的博客
08-14 560
深度学习的基础之一是神经网络，它是一种模仿生物神经系统的计算模型，用于处理复杂的任务如分类、回归、图像处理和自然语言处理等。神经网络由大量的简单处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络的基本组成部分包括神经元模型、网络结构、前向传播、反向传播和梯度下降等概念。神经元是最基本的成分，一个神经元有多个输入和一个输出。神经网络可以分为三种主要类型：人工神经网络（ANN）、卷积神经网络（CNN）和循环神经网络（RNN）。
卷积神经网络 - 卷积神经网络与深度学习的历史篇
绎岚科技的博客
08-11 1140
卷积神经网络（Convolutional Neural Networks, CNN）与深度学习作为人工智能领域的两大重要分支，其发展历程充满了探索与突破。深度学习，作为一系列算法的统称，旨在模拟人类大脑中的学习和思维过程，其核心在于通过神经网络的多层结构自动构建并提取数据特征。而卷积神经网络，作为深度学习的代表算法之一，特别擅长于处理图像和视频等具有网格化特征的数据，其发展历程更是与计算机视觉领域的进步紧密相连。
卷积神经网络（Advanced CNN）（2）
xiongmaowangd的博客
08-14 115
上一章完成的卷积神经网络主要是串行的，比较简单。现在我们看一些比较复杂的神经网络结构。
YOLOv4深度学习目标检测：优化速度与精度
"YOLOv4论文：YOLOv4: 物体检测的最佳速度与准确性。该论文探讨了如何优化卷积神经网络（CNN）的准确性和速度，提出了一系列适用于大多数模型、任务和数据集的通用特征，包括加权残差连接（WRC）、跨阶段部分连接...
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