DCNv1、DCNv2、alphapose中未完成的DCN_V2(2024.1-2024.2)

最新推荐文章于 2025-12-05 17:12:35 发布
原创 最新推荐文章于 2025-12-05 17:12:35 发布 · 124 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#onnx #pytorch #tensorrt

部署运行你感兴趣的模型镜像

完成顺序：

先使用pytorch随便建一个网络，使用dcnv1,并注册到onnx，g.op;

onnx转trt模型，tensorrt里面的plugin怎么写？

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

Deepcong
关注
Tensorrt 实现 yolov5x + dcnv2
J。
03-21 2284
由于固定的几何结构，CNN固有地限制了模拟几何转变。本篇论文我们引入了两个模块来加强CNN转变模拟能力，称之为可变卷积和可变Roi 池化。这些都是基于，在没有额外监督的情况下，通过额外的偏移量来增加模块中的空间采样位置，并从目标任务中学习偏移量。新模块可以替换CNN中的普通模块，并且能通过标准的反向传播进行端到端训练，得到的成为可变卷积网络。大量实验表明这个模块性能确实有提升。
深度学习之DCN-v2
热门推荐
Ton的博客
05-03 1万+
这篇文章发表在2019的CVPR上，是Deformable Convolution Network的进阶版本——DCN-v2，通过对DCN的两处改进来增加卷积神经网络的适应性与灵活性。具体来说，通过堆叠多个DCN来增强感知的范围；通过引入调制机制来为DCN增加更多选择采样区域的自由度，这种调制通过门机制来实现对采样区域的注意力。 Deformable ConvNets v2: More Deformable, Better ResultsAbstract1 Introduction2 Focus poin.
白话推荐系统(三)：一文看懂DCN-v2(DeepCrossNet-v2)
qq_41915623的博客
06-29 5452
DCN-V2（Deep & Cross Network V2）是谷歌提出的一种用于Web规模排序学习（Learning to Rank）的深度模型，是对原始 DCN（Deep & Cross Network）模型的改进版本。该模型专为工业级大规模推荐系统和广告排序系统设计，旨在高效、精确地捕捉特征之间的交叉信息。
万字详述推荐系统经典模型DCN,DCN_v2,PNN
qq_39158406的博客
03-29 7044
公众号：ChallengeHub(持续分析机器学习，数据挖掘，推荐系统，NLP方面的知识) 之前文章介绍了特征交叉的一些方式和几种推荐系统中关于特征交叉的一些论文。上篇文章中主要介绍了wide&deep，deepFM，和NFM模型。其中wide&deep，和deepFM模型的特征交叉就一层，属于浅度的特征交叉，NFM可以实现更深的特征交叉。这篇文章将介绍两种经典的推荐模型，它们可以实现更深度的特征交叉。分别为DCN,DCN_v2和PNN。 1：DCN 论文名称：Deep & Cros
yolact模型DCNv2模块编译错误解决方法
北屯的家
06-17 5574
配置环境 1. Ubuntu 18.04 2. Anaconda 3.Cuda10.2+cudnn7.6.5 问题描述 按照yolact(https://github.com/dbolya/yolact)给的DNCv2链接https://github.com/CharlesShang/DCNv2/tree/pytorch_1.0对DNCv2进行编译时出现以下错误: error: identifier "THCState_getCurrentStream" is undefined 解决方法
1. (arg0: bool) -＞ mediapipe.python._framework_bindings.packet.Packet
AI浩
01-21 2740
调用姿态估计库 mp.solutions.pose.Pose，出现下面的问题 Traceback (most recent call last): File "D:/cv/feilei/cc.py", line 11, in <module> detector = PoseDetector() File "D:\cv\feilei\poseutil.py", line 32, in __init__ self.min_detection_confidence, self.
报错ModuleNotFoundError: No module named ‘dcn_v2‘
qq_50472727的博客
03-02 1395
DCNv2目录下的build需要重新编译，要把该目录下的build文件夹删除，然后再运行python setup.py build develop命令重新生成符合自己环境的build。
[深度学习][原创]yolact编译DCNv2错误解决方法
FL1623863129的博客
01-07 2470
项目地址： 使用yolact编译DCNv2提示 /media/howso/f/lu/myproj/yolact-master/external/DCNv2/src/cuda/dcn_v2_cuda.cu(107): error: identifier "THCState_getCurrentStream" is undefined /media/howso/f/lu/myproj/yolact-master/external/DCNv2/src/cuda/dcn_v2_cuda.cu(279): er
DCNv2 开源项目教程
gitblog_00179的博客
08-08 845
DCNv2 开源项目教程 项目介绍 DCNv2（Deformable Convolutional Networks v2）是一种深度学习模型中的卷积神经网络扩展，由清华大学的研究团队提出。它引入了可变形卷积层，这种层能够适应不同物体形状的变化，增强了模型对图像中不规则形状和几何变换的适应性。DCNv2通过堆叠多个可变形卷积层和引入调制机制，进一步提高了模型的鲁棒性和适应性。 项目快速启动 环境准备...
精选资源
DCNv2-master.zip
06-30
《深度卷积网络变体DCNv2在PyTorch1.7中的实现与应用》 深度卷积网络（Deep Convolutional Neural Networks, DCNNs）是计算机视觉领域的重要模型，尤其在图像识别、语义分割和物体检测等方面表现出色。然而，随着...
精选资源
DCNv2_latest:DCNv2支持不错的火炬，例如火炬1.5+（现在为1.8+）
05-12
由于DCN在许多模型中使用得很好，并且性能很好，但是在行业中，此操作支持不是很好。 包括pytorch，onnx，tensorrt等。此仓库使pytorch中的所有版本都可以使用DCNv2。 在CenterNet-DLA模型中推断出的Pytorch 1.7。 ...
精选资源
DCNv2-pytorch-1.7.zip
10-20
在构建模型时，可以通过`DCN`模块将DCNv2嵌入到现有的网络结构中，替换原有的卷积层。 为了训练DCNv2模型，我们需要准备相应的数据集，例如COCO、Cityscapes等，进行预处理和格式转换，使其符合PyTorch的数据加载...
云主机GPU pyTorch部署
宝安小雨
12-02 236
直接装最新稳定版（当前是 2.5.0，支持 CUDA 11.8 和 12.1，T4 完美支持）这样安装的三个都是GPU版本。
PyTorch DDP分布式训练Pytorch代码讲解
最新发布
Younai2021的博客
12-05 690
if is_ddp:# 开始 DDP 时用了 init_process_group# 结束 DDP 时要调用 destroy_process_group。
[免费]基于Python的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV实现）【论文+源码+SQL脚本】
java1234的博客
12-04 2142
[免费]基于Python的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV实现）【论文+源码+SQL脚本】
CNN计算|原始矩阵扩充后的多维度卷积核计算效果
专注python+工程实践的热心婶子
12-02 362
本文探讨了在多通道卷积计算中结合原始矩阵扩充的方法。首先介绍了3通道5×5输入矩阵和3×3卷积核的基本计算过程，通过三层循环实现多通道卷积运算。然后演示了如何使用torch.zeros对原始矩阵进行外圈0值扩充，保持输入输出尺寸一致。最后将扩充后的矩阵应用于相同的卷积计算流程，验证了扩充方法的有效性。文章提供了完整的Python实现代码，展示了从基本卷积到带扩充卷积的计算过程，为理解卷积神经网络中的padding操作提供了实践参考。
深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现
echo的博客
11-29 1149
本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。
【推荐系统】深度学习训练框架（十）：PyTorch Dataset—PyTorch数据基石
人工智能领域博客
12-02 390
Dataset是Pytorch加载训练数据的基类，自定义类比如OSSDataset需要继承Dataset基类并自定义实现__getitem__、__len__以及__init__方法完成训练数据处理，LLM的Tokenizer在Dataset中完成__getitem__
理解pytorch中的L2正则项
算法与编程之美
12-05 271
针对问题一：对于pytorch模型中存在的过拟合与欠拟合做出明确原因与产生的数据来源的算法做出明确标注，解释清楚了误差的组成成分。是在优化器中实现的，在代码中构建了两个优化器，一个优化器不带有正则化，一个优化器带有正则化。方差度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画了数据扰动所造成的影响。偏差度量了学习算法的期望预测与真实结果的偏离程度，即刻画了学习算法本身的拟合能力。噪声则表达了在当前任务上任何学习算法所能达到的期望泛化误差。正则化策略的目的就是降低方差，减小过拟合的发生。
FAILED: /home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/build/temp.linux-x86_64-3.8/home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/src/cpu/dcn_v2_cpu.o c++ -MMD -MF /home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/build/temp.linux-x86_64-3.8/home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/src/cpu/dcn_v2_cpu.o.d -Wno-unused-result -Wsign-compare -DNDEBUG -fwrapv -O2 -Wall -fPIC -O2 -isystem /home/zb/anaconda3/envs/mmdet3d/include -fPIC -O2 -isystem /home/zb/anaconda3/envs/mmdet3d/include -fPIC -DWITH_CUDA -I/home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/src -I/home/zb/anaconda3/envs/mmdet3d/lib/python3.8/site-packages/torch/include -I/home/zb/anaconda3/envs/mmdet3d/lib/python3.8/site-packages/torch/include/torch/csrc/api/include -I/home/zb/anaconda3/envs/mmdet3d/lib/python3.8/site-packages/torch/include/TH -I/home/zb/anaconda3/envs/mmdet3d/lib/python3.8/site-packages/torch/include/THC -I/usr/local/cuda/include -I/home/zb/anaconda3/envs/mmdet3d/include/python3.8 -c -c /home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/src/cpu/dcn_v2_cpu.cpp -o /home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/build/temp.linux-x86_64-3.8/home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/src/cpu/dcn_v2_cpu.o -DTORCH_API_INCLUDE_EXTENSION_H '-DPYBIND11_COMPILER_TYPE="_gcc"' '-DPYBIND11_STDLIB="_libstdcpp"' '-DPYBIND11_BUILD_ABI="_cxxabi1011"' -DTORCH_EXTENSION_NAME=_ext -D_GLIBCXX_USE_CXX11_ABI=0 -std=c++14 In file included from /home/zb/anaconda3/envs/mmdet3d/lib/python3.8/site-packages/torch/include/ATen/Parallel.h:140:0, from /home/zb/anaconda3/envs/mmdet3d/lib/python3.8/site-packages/torch/include/TH/THTensorApply.h:4, from /home/zb/anaconda3/envs/mmdet3d/lib/python3.8/site-packages/torch/include/TH/THTensor.h:5, from /home/zb/anaconda3/envs/mmdet3d/lib/python3.8/site-packages/torch/include/TH/TH.h:13, from /home/zb/PointAugmenting/det3d/models/i
03-22
<think>嗯，我现在需要解决这个编译错误的问题。用户提供的错误信息显示在编译DCNv2模块时，CPU部分的代码出错了。首先，我得仔细看看错误信息的具体内容。 错误信息里提到在dcn_v2_cpu.cpp文件中，`dcn_v2_forward`和`dcn_v2_backward`这两个函数没有返回值。通常，C++中如果函数声明了返回类型（比如int或者void），但实际没有返回语句的话，编译器就会报错。这里可能是在定义这两个函数时，声明了返回类型为int或者其他类型，但函数体内没有return语句，或者可能函数本应是void，但被错误地声明为有返回类型。 接下来，我需要检查这两个函数的定义。根据路径找到dcn_v2_cpu.cpp文件，查看对应的函数。例如，函数可能被写成： ```cpp int dcn_v2_forward(...) { // 没有return语句 } ``` 如果函数确实不需要返回值，应该将返回类型改为void。或者，如果确实需要返回一个状态码，确保添加return语句。 另一个可能性是编译器选项的问题。用户的编译命令中包含-std=c++14，而代码中可能使用了更高版本的C++特性。不过，这个错误更可能是函数定义的问题，而不是标准版本的问题。 此外，用户的环境中有CUDA相关的路径，但错误发生在CPU部分的编译。可能DCNv2的代码在CPU实现中存在遗漏。需要确认是否代码库中的DCNv2版本与当前环境兼容，或者是否有未正确应用的补丁。 还要检查是否安装了正确版本的PyTorch，并且头文件路径正确。有时候，PyTorch版本更新会导致API变化，可能引发兼容性问题。例如，某些函数可能在旧版本中存在，但在新版本中被移除或改名。 如果用户是从GitHub克隆的仓库，可能需要查看该仓库的Issues部分，看看是否有其他人遇到类似的问题，或者作者是否提供了修复方法。有时候，社区会有临时的补丁或者分支来解决这类编译问题。 另外，检查是否有拼写错误或语法错误，比如函数名是否正确，括号是否匹配等。这些细节问题有时也会导致编译失败。 如果以上步骤无法解决，可能需要尝试重新安装PyTorch，或者使用conda重新创建环境，确保所有依赖项的版本兼容。例如，确保CUDA版本与PyTorch版本匹配，gcc版本符合要求等。 总结一下，解决步骤可能包括： 1. 检查dcn_v2_cpu.cpp中的函数定义，确保返回类型正确，并添加必要的return语句。 2. 确认代码库与当前环境（PyTorch、CUDA、gcc版本）兼容。 3. 查找社区已有的解决方案或补丁。 4. 重新安装或更新依赖项，确保版本一致。 5. 尝试清理编译缓存并重新编译。 如果用户不熟悉C++代码修改，可能需要寻求开发者社区的帮助，或者使用预编译的版本（如果有提供的话）。</think>该错误信息显示在编译DCNv2（可变形卷积模块）时，C++源码中出现了**函数未返回值的语法错误**。以下是分步排查指南： --- ### 错误原因分析 1. **关键错误行**： ``` dcn_v2_cpu.cpp: 错误：在函数‘int dcn_v2_forward(...)’中：返回类型不为空但未返回任何值 [-Werror=return-type] ``` 表明函数`dcn_v2_forward`和`dcn_v2_backward`声明了返回类型（如`int`），但实际没有`return`语句。 2. **常见触发场景**： - 源码中函数声明为`int dcn_v2_forward(...)`，但函数体结尾未添加`return 0;` - 函数本应声明为`void`（无返回值），但被错误写成`int` --- ### 解决方案 #### 步骤1：修改源码中的函数返回值 1. 打开文件： ```bash vim /home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2/src/cpu/dcn_v2_cpu.cpp ``` 2. 定位错误函数（通常在文件末尾）： - 找到`dcn_v2_forward`和`dcn_v2_backward`的定义 3. **修改方式**： - **方案一**：添加返回值（适合需要状态码的场景） ```cpp int dcn_v2_forward(...) { // ... 原代码 ... return 0; // 添加return语句 } ``` - **方案二**：修改函数返回类型为`void`（适合无返回值的场景） ```cpp void dcn_v2_forward(...) { // 将int改为void // ... 原代码 ... } ``` #### 步骤2：检查CUDA/cpu代码一致性 若项目中同时存在GPU代码（如`dcn_v2_cuda.cu`），需确保CPU/GPU版本的函数声明一致。例如： ```cpp // 确保声明与实现匹配 void dcn_v2_forward(...); // 正确声明为void ``` #### 步骤3：清理编译缓存并重新编译 ```bash cd /home/zb/PointAugmenting/det3d/models/img_backbones/DCNv2 rm -rf build # 清除旧编译缓存 python setup.py develop # 重新编译 ``` --- ### 其他可能性 1. **PyTorch版本兼容性问题**： - 确认PyTorch版本与DCNv2代码兼容（通常需1.5+版本） - 尝试降低PyTorch版本（如1.7.1）： ```bash conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch ``` 2. **GCC版本过低**： - 检查gcc版本：`gcc --version` - 升级至gcc 7+（推荐gcc 7.5） --- ### 附：典型修复代码示例 ```cpp // 修改前（错误） int dcn_v2_forward(...) { // 函数体无return语句 } // 修改后（正确） void dcn_v2_forward(...) { // 函数体 } ``` 若问题仍未解决，建议参考DCNv2官方GitHub的Issues（如[MMDetection版本兼容问题](https://github.com/open-mmlab/mmdetection/issues/5113)）或提供完整错误日志进一步分析。
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