mmdetection开发记录

MMDetection框架入门教程(完全版)   网上MMDetection的教程看似有很多,但感觉都不成系统,看完一圈下来还是不知道MMDetection要怎么用。这里还是推荐直接跟着官方教程,结合源码学习MMDetection,相关链接汇总如下: 官方教程 - MMCV 官方教程 - MMDetection 官方教程 - 不得不知的 MMDetection 学习路线(个人经验版) 西安交大课件 - mmdetection教程(使用篇)   本文会介绍如何在MMDetection中从头开始搭建一套属于自己的算法。前几篇博客算是本人学习过... 阅读详情

 安装mmdetection

检查json文件正确性,运行vis_by_json.py,修改annFile='/data/datasets/BONA_coco/coco/annotations/train.json'

修改imgIds=0

修改img_path=


/data/datasets/BONA_coco/coco\

显示结果正确

返回softteacher,修改soft_teacher_faster_rcnn_r50_caffe_fpn_coco_full_720k.py文件

设置

_base_="base.py"
data_root = 'data/BONA_coco/coco/'
classes =('wires', 'leg', 'shoes', 'paperBall')
data = dict(
    samples_per_gpu=2,
    workers_per_gpu=1,
    train=dict(
        sup=dict(
            classes=classes,
            ann_file=data_root + "annotations/trainval.json",
            img_prefix=data_root,

        ),
        unsup=dict(
            classes=classes,
            ann_file=data_root + "annotations/unlabeled.json",
            img_prefix=data_root + "unlabeled/",

        ),
    ),
    val=dict(
        classes=classes,
        ann_file=data_root + 'annotations/test.json',
        img_prefix=data_root,
        ),
    test=dict(
        classes=classes,
        ann_file=data_root + 'annotations/test.json',
        img_prefix=data_root,
        ),
    sampler=dict(
        train=dict(
            sample_ratio=[1, 1],
        )
    ),
)

踩坑笔记:samples_per_gpu应该大于1,classes需要指定

RTX 5080 + CUDA 12.8 踩坑实录:手把手搞定mmdetection3d环境(附BEVFusion测试) 本文详细记录了在RTX 5080显卡和CUDA 12.8环境下搭建mmdetection3d开发环境的完整过程,重点解决了版本冲突、MMCV编译和BEVFusion配置等关键问题。通过实战测试验证了环境的功能完整性,并分享了性能优化技巧,帮助开发者高效部署3D目标检测框架。 阅读详情

相关推荐

MMDetection训练流程太抽象?用这5个Hook实战案例帮你彻底搞懂Runner

本文通过5个实战案例详细解析MMDetection框架中的Runner和Hook机制,帮助开发者快速掌握Hook的核心应用技巧。从动态学习率调整到最佳模型保存,再到梯度监控与早停机制,这些案例将抽象的训练流程变得直观易懂,大幅提升目标检测模型的训练效率。

weixin_29221753的博客 143

玩转MMDetection-MMDetection制作自己的配置文件(三)

首先,创建属于自己的配置文件me.py;其次,引入自己所需要的模型文件数据集文件训练计划文件运行信息文件;接着,从模型文件开始看,是否需要进行部分参数的更改,如果需要更改则按照引入的模型文件对应匹配写入me.py文件,且写入自己的参数;完成自己模型文件参数配置后,看数据集文件,是否需要进行部分参数的更改,如果需要更改则按照引入的数据集文件对应匹配写入me.py文件,且写入自己的参数;完成自己数据集参数配置后,看训练计划文件,是否需要进行部分参数的更改,如果需要更改则按照引入的训练计划文件。

左右-HPU 1432

Win10下用MMDetection训练自己的VOC数据集:从环境配置到模型部署的完整避坑记录

本文详细介绍了在Win10系统下使用MMDetection框架训练自定义VOC数据集的完整流程,包括环境配置、数据集准备、模型训练与部署等关键步骤。针对Windows平台特有的兼容性问题提供解决方案,并分享实用的性能优化技巧,帮助开发者高效完成目标检测任务。

weixin_30616969的博客 435

MMDetection目标检测框架入门指南

MMDetection是一个基于PyTorch的开源目标检测工具箱,由OpenMMLab团队开发维护。它提供了丰富的预训练模型和灵活的模块化设计,支持从经典到最前沿的各种目标检测算法。本文将详细介绍如何搭建MMDetection的开发环境,并验证安装是否成功。 ## 环境准备 ### 硬件要求 MMDetection支持在多种硬件环境下运行: - 推荐使用NVIDIA GPU以获得最佳性能

gitblog_00255的博客 653

MMdetection记录

MMdetection官方文档: https://mmdetection.readthedocs.io/zh_CN/latest/article.html 官方有原文https://zhuanlan.zhihu.com/p/337375549 我只提取我在意的 模块详解 一个batch进来之后到backbone,例如ResNet 输出的单尺度或者多尺度特征图然后到neck进行特征融合或增强,例如FPN 上述多尺度特征最终输入到 head 部分,一般都会包括分类和回归分支输出 在整个网络构建阶段都可以引入

菜鸟中的菜中菜的博客 4543

基于kitti数据集的3D目标检测算法的训练流程

基于kitti数据集的3D目标检测算法准备全流程,包括各种博主自己在复现过程中踩到的坑

qq_52889317的博客 2617

MMDetection实战:MMDetection训练与测试

摘要 MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目,它基于Pytorch实现了大量的目标检测算法,把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块,通过模块调用的方式,我们能够以很少的代码量实现一个新算法,大大提高了代码复用率。 GitHub链接:https://github.com/open-mmlab/mmdetection。 Gitee链接:https://gitee.com/open-mmlab/mmdetection。 主分支代码目前支持 PyTorch 1

AI浩 1万+

Ubuntu20.04LTS 安装 mmdetection 全记录

Ubuntu20.04LTS 安装 mmdetection 全记录环境 anaconda安装 + gcc / g++ 安装 + 安装nvidia显卡驱动 + 安装CUDA + 根据官方文档正式安装mmdetection

Christal_的博客 2917

windows下安装mmdetection填坑记录

问题1: 遇到bug的问题,提示: error: command ‘C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin\nvcc.exe’ failed with exit status 2 反正我是蒙蔽到不行,直到看到了这个答案。 按照要求,装了VS2017社区版本后,问题竟然就这么莫名其妙的解决了,咱也不知道为什么,反正就这...

flying_ant2018的博客 5698

【MMdetection】1.开发环境搭建

核心模块安装完成之后需要安装mmdetection工具箱中常用模块才可以进行训练,依次安装下面的模块。搭建好环境之后,在pycharm的这个项目中设置编译器为我们刚才创建的这个虚拟环境。下面的我在别人博客上的截图,具体博客我找不到了,我这里就不写参考博客的链接了。anaconda目前是私人使用免费,企业使用收费。下载权重文件,这里权重文件需要和配置文件一一对应。激活环境后,开始在这个虚拟环境内安装所需要的包。一个是图片的路径,一个是权重文件的路径。使用上述代码测试推理功能。豆瓣(douban)

linux_huangyu的博客 294

ZYNQ实战:如何用AXI-stream FIFO解决跨时钟域数据同步难题(附完整代码)

本文深入探讨了在ZYNQ项目中,如何利用AXI-Stream FIFO有效解决PS与PL之间的跨时钟域数据同步难题。文章详细分析了异步FIFO的架构设计、关键配置参数,并提供了PS端软件策略与PL端逻辑设计的完整代码示例,旨在帮助开发者构建稳定可靠的数据流通道,优化系统性能。

nginx7reverse的博客 756

win10如何配置mmdetection2.14.0

1、安装vs2019 2、安装cuda11.1 3、安装anaconda 4、安装mmcv1.3.8: (1)在anaconda中创建虚拟环境并安装python3.9。 先打开: 创建虚拟环境并安装python3.9 (base) PS C:\Users\J01053585> conda activate mmdetection214 (mmdetection214) PS C:\Users\J01053585> 安装pytorch,见官网:https://pytor

weixin_41922853的博客 1446

一口气看完TransformerXL详细解释带代码一:相对位置编码

相对位置编码(Relative Position Encoding)是Transformer模型中用于捕捉序列元素间相对位置关系的一种方法,与绝对位置编码(如BERT中的固定位置嵌入)不同,它直接建模元素之间的相对距离,从而更灵活地处理长序列或不同长度的序列。1. 为什么需要相对位置编码?​。

m0_73426548的博客 1429

4060 windows11配置mmdetection3d nuscenes mini数据集的一点点经验

目的是把重复的路径删掉,但是注意自己文件的命名路径不要有重复的命名,不然要自己改上面的去重函数,然后运行上面的代码就可以处理好mini的数据库了。# "-e" 表示在可编辑模式下安装项目,因此对代码所做的任何本地修改都会生效,从而无需重新安装。使用 MIM 安装 MMEngine,MMCV 和 MMDetection。# "-b dev-1.x" 表示切换到 `dev-1.x` 分支。# "-v" 指详细说明,或更多的输出。安装mmdetection3d。安装torch 2.0.1。安装cuda11.8。

weixin_48776447的博客 339

用STM32的SPI接口读取MT6835磁编码器,手把手教你避开数据读取的坑

本文详细介绍了如何使用STM32的SPI接口读取MT6835磁编码器,并提供了21个实战细节与避坑指南。从硬件连接、SPI配置到数据解析和实时调试,全面解析了读取位置信息过程中的常见问题及解决方案,帮助工程师在工业控制、伺服电机等场景中高效应用AMR技术。

weixin_30729609的博客 1441

【STM32】BLDC驱动&控制开发笔记 | 07_SPI通信测试 - STM32F407用SPI配置DRV8323驱动芯片

使用STM32F407的SPI通信功能配置DRV8323S驱动芯片的详细过程说明。

这里是 F菌的进阶之路。 6300

Win10环境下(cuda11.2)安装mmcv和mmdetection

Win10环境下(cuda11.2)安装mmcv和mmdetection

xihua0823的博客 1472

lammps模拟技巧:高熵合金势函数设置三种方法

大家好,我是小马老师。 本文继续介绍lammps模拟中的势函数设置方法。 在前面的文章中,介绍过高熵合金的建模:高熵合金建模 高熵合金包含的原子数较多,势函数的设置相对复杂,在平时一对一的咨询中,这种问题也相对较多。 下面介绍三种高熵合金势函数设置方法。 1.下载专用势函数 下面的网站包含了大多数原子的势函数: https://www.ctcms.nist.gov/potentials/ 如需下载包含Fe原子的势函数,直接点Fe: 出现势函数列表: 比如Al-Co-Cr-Fe-Ni就是高熵合金AlCoC

lammps_jiayou的博客 8964

MMdetection3D-v1.0.0rc4安装教程 CUDA11.3

【代码】MMdetection3D-v1.0.0rc4安装教程 CUDA11.3。

qq_41815140的博客 268

[DDR5]DDR5 SDRAM 状态图 和 基本功能

DDR5 SDRAM的读写操作以突发(burst mode)为导向,从选定的位置开始,并按照编程顺序进行16个突发长度或8个“切片”突发长度的操作。从ACTIVATE命令开始,然后是读取或写入命令。

串起点滴 1205

torch.nn.rnn实现循环神经网络

------------------------------------nn.rnn模型实现。#------------------------------------模型实现。#-----------------------------------训练模型。#-----------------------------------训练模型。#--------------------------------读取数据。实现循环神经网络,并在至少一个数据集上进行实验,从训练时间、预测精度、...

matlab_python22的博客 2977

MMDetection训练引擎深度剖析:Runner与Hook的协同工作流

本文深度剖析了MMDetection框架中Runner与Hook的协同工作流。Runner作为训练生命周期的总指挥,通过定义标准流程和关键钩子点,实现了与功能模块的解耦。Hook作为事件驱动的插件,在特定节点执行如模型保存、日志记录等任务。这种设计极大提升了代码的灵活性和可维护性,是高效进行目标检测模型训练的核心机制。

table的专栏 329

基于 transformer、lstm、LSTM多特征的交通流量预测 完整数据代码 超全项目 本科硕士毕设卓卓有余

基于 transformer、lstm、LSTM多特征的交通流量预测 完整数据代码 超全项目 本科硕士毕设卓卓有余

4659

_ext.cpython-37m-x86_64-linux-gnu.so: undefined symbol: _ZN6caffe26deta

之前mmdetection可以很好的使用,突然出现种错误,找了好久,更新了mmcv-full的版本,才解决!

weixin_45209433的博客 2638

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

win11下Swin-Transformer-Object-Detection-master测试成功

仅作为个人学习记录使用,侵权直接删除!!! 转自这里(侵权删) 前期准备 PyCharm 2021.3(只是IDE,版本不同也没关系) 显卡 3060 12G Cuda 11.1 (与显卡、Pytorch要求合适即可) Python 3.8 Anaconda3 2021.05(版本无限制) VS2019 环境安装 VS 2019 建议安装2019版本 VS 2019 安装 VS 2019下载地址 直接去VS官网下载,第一步下载的时候可能需要翻墙,后面下载的时候不用翻墙,安装时只勾选桌面端的C++部分就可

impact_10的博客 1529

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

记录自己在mmdetection配置中遇到的坑

记录自己在mmdetection配置中遇到的坑 主要配置过程参考https://blog.csdn.net/david_lee13/article/details/102940221 mmdet的版本和参考文章里的一致,为mmdet1.0rc0(使用旧版本是为了运行一个工程) 在使用python setup.py develop安装mmdet的时候,出现了莫名其妙的一个报错: 正在创建库 build\temp.win-amd64-3.6\Release\mmdet\ops\sigmoid_focal_los

疯花正猫的博客 2732

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: opencv在 Cmakelist的写法以及编译详解
下一篇: 关于gcc和ar的一些细节
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
⌂ 换网址