mmdetection计算参数量和计算复杂度

最新推荐文章于 2024-07-16 21:28:41 发布
原创 最新推荐文章于 2024-07-16 21:28:41 发布 · 961 阅读 · 4 ·
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：

#人工智能 #目标检测 #机器学习

本文介绍了在MMDetection的最新版本中，如何在get_flops.py工具中自定义输入图片尺寸以进行计算复杂度分析。提到需修改mmengine/analysis/print_helper.py文件中的input_shape和inputs变量以确保在比较时输入尺寸一致。

参数量与图片尺寸无关

而计算复杂度（GFlops）与输入图片的尺寸有关，作比较的时候要确保，输入尺寸一致的，最新版本的mmdetection的tools/analysis_tools/get_flops.py中不支持更改输入图片尺寸，而是自己从数据集中获取大小，想要自定义输入尺寸可以按如下操作：

①找到.conda/envs/mmlab/lib/python3.8/site-packages/mmengine/analysis/print_helper.py文件

②在677行get_model_complexity_info函数的最开始加上以下两句

        input_shape=(3,640,640)
        inputs=None

Is_stefanie
关注
【计算机视觉 | MMDetection】关于mmdetection如何计算参数量、计算量和速度FPS
wzk4869的博客
01-12 2783
【计算机视觉 | MMDetection】关于mmdetection如何计算参数量、计算量和速度FPS
第十九章 MMDetection3D解析系列十_计算量-参数量-复杂度分析(车道线感知)
专注于人工智能学习，总结
10-17 589
模型复杂度有 3 个指标，分别是浮点运算量（FLOPs）、激活量（Activations）以及参数量（Parameters），它们的定义如下：浮点运算量浮点运算量不是一个定义非常明确的指标，在这里参考 detectron2 的描述，将一组乘加运算定义为 1 个 flop。激活量激活量用于衡量某一层产生的特征数量。参数量模型的参数量。
mmdetection计算fps和参数量
追梦小狂魔的博客
03-10 6104
首先记住一句话：模型的参数量越小，这个模型的计算量不一定小，速度也不一定快，这句话是真对啊。新建py文件tools/analysis_tools/benchmark_voc.py。
关于mmdetection、mmrotate如何计算参数量、计算量和速度FPS
weixin_40493382的博客
12-09 1万+
而有人会问Flops与GFLOPs的区别，简单来说， GFLOPs是与你的硬件配置有关，可以理解为日常生活中常用的单位：kg、m等单位，这里不必关心。而Flops就是你的模型计算量了，这里数字越大代表计算量越大。前面这一串 -m torch.distributed.launch --nproc_per_node=1 --master_port=29500 代表分布式的参数，不必深究。近几天跑完实验后，发现效果还是不错，于是开始进行模型的参数量、计算量和速度指标的计算对比，话不多说，直接上干货。
mmdetection添加计算参数量params和浮点计算数FLOPs的方法
lkxxxxxx的博客
05-09 2406
mmdetection计算参数量和flops
MMDetection目标检测框架推理与参数量计算
pengxiang1998的博客
05-03 704
在使用MMDetection框架完成训练后便可以使用训练所得的权重文件进行推理了，具体可以使用。关于参数量与flops的计算可以使用。，这里就不再赘述了。
MMDetection——常用工具：模型推理、可视化分析、FLOPs和参数计算、推理速度
阿基美德的博客
07-09 8859
常用工具 1. 模型推理 官方的数据集推理格式： # single-gpu testing python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}] [--show] python tools/test.py configs/faster_rcnn_r50_fpn_1x_coco.py \ checkpoints/faster_rcnn
如何计算模型的复杂度（参数量，FLOPs）
RessCris的博客
02-03 4665
全连接层就理解为一个矩阵，矩阵行数，矩阵列数，如考虑bias，则先计算输出向量中一个元素需要多少计算量，首先要做。在训练时计算的均值方差是直接计算，在预测时是用 running mean，running var.对于池化层而言，常用的Max-pooling，Avg-pooling等是不存在参数量的。先计算输出的feature中一个元素需要的计算量。若考虑 bias，则做的加法会多一次。: 输入的channel 数。: 输入的 height。: 输入的 width。: 输入的 width。
mmdetection3d计算量
03-28
mmdetection3d计算量取决于模型的复杂度和输入数据的大小。通常，mmdetection3d的计算量主要包括两个方面：前向传播和反向传播。前向传播是指将输入数据传递到模型中，并计算输出结果的过程。反向传播是指根据损失...
【参数量（Params）与计算量(FLOPs)的计算】
MadXiaoTian的博客
04-17 7077
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、参数量的计算1.卷积层2.池化层3.全连接层二、计算量的计算1.卷积层2.池化层3.全连接层总结 前言 随着深度学习在工业领域的使用，也随着深度学习的进步，模型的复杂度对于衡量一个模型的好坏也至关重要，本文主要介绍一般情况下参数量（Params）与计算量(FLOPs)的计算。 一、参数量的计算 参数量主要用来形容模型的大小程度，类似于算法中的空间复杂度。 1.卷积层 计算公式如下： params = Co×(Ci×Kw.
我的模型有多快？——深度学习网络模型的运算复杂度、空间占用和内存访问情况计算
热门推荐
莉莉兹的摸鱼日记
07-11 3万+
前段时间看了几个笔试题，涉及 DNN 的模型复杂度，主要是参数量和计算复杂度的问题。当时搜了一下感觉中文网上的内容比较乱。刚好本文是对神经网络模型资源消耗情况的一篇介绍，就不自己写了，把关键内容做了一下编译。 原文见 http://machinethink.net/blog/how-fast-is-my-model/ 。 深度网络的计算消耗是学术 paper 相对少见的话题。当然，早期网络精度...
mmdetection测试模型复杂度Flops和Params
weixin_57905120的博客
03-07 1285
work_dirs/dh-faster-rcnn_r50_fpn_1x_coco/dh-faster-rcnn_r50_fpn_1x_coco.py 为Config配置文件。不过最后它有一个提示，告诉我们这个代码只是发行的一个粗略测试版本，如果写到论文里面去，还需要进一步确认。在配置文件里面修改resize后的图片大小，并把参数keep_ratio=False都设置为Ture.好久之前做的了，当时应该也是Debug了很久弄出来的，今天才想起来写几篇帖子总结一下。主要是忘记都Debug的内容了。
MMDetection实用工具详解（下）：模型复杂度（FLOPs、Parameters）、计算FPS、基准测试
Mickey的博客
06-14 2729
MMDetection工具包提供了许多实用的工具，接着上一期我们继续分享另外两个实用工具：模型复杂度、基准测试。
mmdetection常用参数
sunlanchang的博客
12-02 2214
有关训练模型的具体配置比如backbone选取，anchor参数配置，训练/验证，数据集，optimizer参数，迭代次数等等，都可以在configs/*.py文件中进行配置修改。train.py文件中还包括一些其他输入参数选项： work_dir 是模型checkpoint文件的输出目录，可以在configs/*.py中配置； resume_from 是指定在某个checkpoint的基础上继...
mmdetection
最新发布
nosafetysystem的博客
07-16 531
1、先把新数据集换成json文件，并检查一下数据集。
玩转MMDetection-MMDetection中的数据集文件、训练计划文件、运行信息文件及具体参数解读（二）
左右-HPU
04-12 2163
首先先介绍以下coco.py文件中的CocoDataset类函数，顾名思义，如果我们采用coco数据集格式，则需要调用coco.py文件，如果采用coco公共数据集则直接调用。若需要训练自己的数据集，则需要将coco.py文件下的CocoDataset类中的CLASSES中，更改为你自己数据集对应的种类，如果只有一类，切记要在一个类后加逗号。以下是coco数据集用作目标检测的数据集文件及参数解读coco_detection.py。coco数据集格式如下图所示。
mmdetection3d 源码学习 mvxnet（多模态融合）
Snape_的博客
03-22 6458
mmdetection3d 源码学习 mvxnet（多模态融合） 配置文件 dv_mvx-fpn_second_secfpn_adamw_2x8_80e_kitti-3d-3class.py 模型 # model settings voxel_size = [0.05, 0.05, 0.1] point_cloud_range = [0, -40, -3, 70.4, 40, 1] ##模型 图像：主干 ResNet，neck FPN；点云：voxel编码，主干second（稀疏编码），neck secon
MMdetection系列之Config配置文件（V3更新后）
qq_41627642的博客
05-12 7837
如果你想查看配置文件, 你可以运行 python tools/misc/print_config.py /PATH/TO/CONFIG to see the complete config. 使用现有模型对给定图像进行推理. .在标准数据集上测试现有模型。 在标准数据集上训练预定义模型。 ...
玩转MMDetection-MMDetection v2 目标检测模型有用工具的使用（六）
左右-HPU
07-17 792
需要测试图像的路径。：相应的配置文件的路径。：测试所用的权重文件路径。：所用的GPU的ID号。运行demo路径下的image_demo.py代码，图像路径为demo/demo.jpg，所采用的配置文件路径为configs/faster_rcnn_r50_fpn_1x_coco.py，测试所用的权重文件路径checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth，设备采用cpu --device cpu。
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