Swin-Transformer-Semantic-Segmentation训练自己的数据集

最新推荐文章于 2024-04-23 21:41:39 发布
原创 最新推荐文章于 2024-04-23 21:41:39 发布 · 2k 阅读 · 13 ·
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：

#transformer #深度学习 #pytorch

本文介绍如何使用Swin Transformer进行语义分割任务，并详细指导读者完成环境配置、数据集准备、代码调整及模型训练等关键步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文地址

源码

  • 1.  按照作者的步骤安装好所需的环境。
  • 2.  安装可以运行一下demo看环境是否搭建成功。
  • 3.  准备好自己的数据集，我用的是VOC数据集。
  • 4.  修改confis/_base_/datasets/pascal_voc12.py
  • 5.  修改mmseg/datasets/voc.py标签和颜色rgb
  • 6.  修改tools/train.py中的相关参数
  • 7.  修改configs/_base_/models/upernet_swin.py关闭分布式训练，修改分类数

                                      

  • 8.  修改configs/swin/upernet_swin_tiny_patch4_window7_512x512_160k_ade20k.py中数据集的地址和分类数
  • 运行train.py开始训练

Tangleet
关注
【Segment Anything Model】四：预处理自己的数据集接入SAM
cvxiayixiao的博客
08-07 5815
1️⃣预备知识。
Swin-Transformer 图像分割实战：使用Swin-Transformer-Semantic-Segmentation训练ADE20K数据集（语义分割
2401_83739951的博客
04-01 1153
github地址：https://github.com/SwinTransformer/Swin-Transformer-Semantic-SegmentationUbuntu20.04环境配置Ubuntu的环境配置相对简单一些，1、创建虚拟环境2、安装pytorch根据电脑的cuda版本选择pytorch，我试了1.6.0版本的可以。其他的版本在安装mmcv的时候有可能会出现问题。3、安装mmcv-full。
如何利用SAM(segment-anything)制作自己的分割数据集
weixin_42120861的博客
04-23 3152
利用SAM(segment-anything)制作自己的分割数据集
swin-transform 训练自己的数据集
hasque2019的博客
12-14 9491
最近transform在cv圈可谓hot到爆，记录一下之前参加比赛所用的代码swin-transform，算法来源于ICCV2020的best paper。废话少说，直接上源码 code：https://github.com/SwinTransformer/Swin-Transformer-Object-Detection paper： 搭建swin-transform需要的环境 1.conda create -n swin python=3.7 2.conda activate swin 3.conda
【语义分割】Swin-Transformer-Semantic-Segmentation 代码windows环境配置
aiyaya333的博客
02-13 1569
swin transformer 语义分割代码的环境配置，踩坑记录，mmcv
Swin-Transformer 图像分割实战：使用Swin-Transformer-Semantic-Segmentation训练ADE20K数据集（语义分割）
热门推荐
AI浩
12-13 1万+
Win10实现Swin-Transformer 图像分割 这篇博文是关于Swin-Transformer 图像分割的应用实战，包括环境搭建、训练和测试。数据集采用ADE链接：http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zip。 Swin-Transformer 图像分割github地址：https://github.com/SwinTransformer/Swin-Transformer-Semantic-Segmen
基于Swin-Trasnformer的图像分割、语义分割
10-31
可以使用自己的数据集，若使用自己的数据集，需要先对label进行voc格式转换，代码位于tools文件夹下voc.py，使用流程为使用train脚本训练网络，使用prediction脚本输出分割结果。图片位于data文件夹下，可以更换为...
Swin-Transformer训练自己的数据集
记录的博客
02-03 5523
Swin-Transformer训练自己的数据集
swin-transformer训练自己的数据集＜自留＞
qq_45720073的博客
07-13 4311
使用swin-transformer训练自己的数据集
Swin-Transformer:基于通用变压器的视觉骨干
03-30
变形金刚 作者：*，*，*，*，，，和。 此回购协议是的正式实现。 该代码即将推出。 介绍 Swin Transformer最初在描述，它可以用作计算机视觉的通用骨干。 在两个领域之间的差异，例如视觉实体规模的巨大差异以及与文字中的单词相比，图像中像素的高分辨率，带来了使Transformer从语言适应视觉方面的挑战。 为了解决这些差异，我们提出了一个分层的Transformer，其表示是通过移动窗口来计算的。 通过将自注意计算限制为不重叠的局部窗口，同时允许跨窗口连接，移位的窗口方案带来了更高的效率。 这种分层体系结构具有在各种规模上建模的灵活性，并且相对于图像大小具有线性计算复杂性。 Swin变形金刚的这些品质使其可与多种视觉任务兼容，包括图像分类（ImageNet-1K的准确度为86.4最高-1）和密集的预测任务，例如目标检测（COCO测试中为58.7箱式AP和51.1遮罩式AP）
Swin-Transformer:这是“变形金刚”的官方实现
05-10
变形金刚 作者：*，*，*，*，，，和。 此回购协议是的正式实现。 当前，它包含用于以下任务的代码和模型： 图像分类：包含在此仓库中。 有关快速，请参见 。 对象检测和实例分割：有关对象检测，请参见 。 语义分割：有关语义分割的信息，请参见 。 更新 2021年4月12日 初始提交： 提供了ImageNet-1K（ ， ， ）和ImageNet-22K（ ， ）上。 提供了用于ImageNet-1K图像分类，COCO对象检测和ADE20K语义分割的受支持代码和模型。 在分支提供了用于的cuda内核实现。 介绍 欧亚变压器（名称Swin代表对于s hifted赢得DOW）最初描述 ，其干练作为一个通用的骨干，为计算机视觉。 它基本上是一个分层的Transformer，其表示是通过移动窗口来计算的。 通过将自注意计算限制为不重叠的局部窗口，同时允许跨窗口连接，移位的窗
Ubuntu18环境下的 Swin-Transformer-Semantic-Segmentation（MMsegmentation）安装过程
一只大憨憨的博客
04-20 3124
1、创建虚拟环境 conda create -n open-mmlab python=3.6 conda activate open-mmlab 2、安装pytorch conda install pytorch=1.6.0 torchvision cudatoolkit=10.1 -c pytorch 3、为Windows安装mmcv 首先设置cl.exe的路径到系统的环境变量path路径下 其中cl.exe的路径可以根据以下路径查找你自己的路径 C:\Program Files (
Swin Transformer 代码学习笔记(目标检测)
athrunsunny的博客
05-23 1万+
为了方便将img_scale设置为[(224,224)]，此时的数据集中的图片会进行resize，并且将短边padding成32的倍数，按最长边与224的比例缩放最短边，即 x=短边 / (500/224)，x即为缩放后的实际长度，比如输入时500*287（w*h）的图片，缩放后的短边长为287 * 224 / 500 = 129，由于输入的图像尺寸需要是32的倍数，此时需要向上取整，所以padding后的短边长为160。接下来把这部分代码拆分出来解读。主体位于SwinTransformer类中。
swin-T for segmentation: 基于Linux系统的云服务器上的环境配置
qq_34018578的博客
06-21 452
1、创建虚拟环境（租用服务器的就不用创建啦） conda create -n newpython=3.7 conda activate open-mmlab 2、安装pytorch pip install -U torch==1.6.0+cu101 torchvision==0.7.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html 3、安装mmcv-full pip install mmcv-full==1.3.0+torch1.6.
MMSegmentation V0.27.0训练与推理自己的数据集（二）
qq_41627642的博客
10-25 3679
无
Swin-Transformer-Object-Detection训练自己的数据集
曾小辉的博客
05-27 5910
环境配置 conda create -n SwinTransformerObjectDetection -y python=3.8 conda activate SwinTransformerObjectDetection conda install pytorch=1.8.0 torchvision cudatoolkit=10.2 -c pytorch -y # mmcv安装 cd ~/software/ rm -rf mmcv git clone https://github.com/open-
【 ICCV代码复现】Swin Transformer图像分类实战教程 (训练自己的数据集）
weixin_62371528的博客
03-28 5589
官方源码训练，方便修改模型。文章结构包括一、环境配置 包括官方环境配置、数据集结构 二、修改配置等文件 三、训练 1.Train 2.Evaluation 四、常见报错
pytorch版Swin-transformer训练自己的数据集
最新发布
02-28
### 使用 PyTorch 实现 Swin-Transformer 进行自定义数据集训练 为了使用 PyTorch 实现 Swin-Transformer 并将其应用于自定义数据集的训练，需遵循一系列配置和编码实践。这不仅涉及模型本身的构建，还包括环境设置、数据处理以及具体训练过程中的细节调整。 #### 环境准备 首先，确保开发环境中已安装必要的依赖库。对于 Swin-Transformer 的实现而言，除了基础的 PyTorch 外，还需特别关注 `mmcv` 和特定版本兼容性的安装[^4]： ```bash pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.9/index.html ``` 上述命令假设 CUDA 版本为 11.3 及 PyTorch 版本为 1.9；实际操作时应依据个人环境选择合适的版本组合。 接着，克隆官方仓库并完成本地包的安装以获取最新版 Swin-Transformer 模型及相关工具[^1]： ```bash git clone https://github.com/SwinTransformer/Swin-Transformer-Semantic-Segmentation.git cd Swin-Transformer-Semantic-Segmentation pip install -e . ``` #### 数据集适配 针对自定义数据集的应用场景，在开始之前需要对其进行适当转换以便于后续流程顺利执行。通常情况下，这意味着将原始图像及其标签按照指定格式整理好，并编写相应的 Dataset 类用于加载这些资源到内存中供迭代器访问。如果采用 COCO 或 VOC 标准，则可以直接利用现有框架支持简化此步骤。 当涉及到语义分割任务时，可能还需要额外考虑掩码(mask)文件的存在形式——即每个像素点对应类别ID的地图。这部分工作可以通过脚本来批量生成或手动标注获得高质量样本集合。 #### 修改配置文件 根据项目需求定制化修改默认配置文件是非常重要的一步。例如，在路径 `/config/swin/` 下找到适合当前项目的配置模板（如 upernet_swin_tiny_patch4_window7_512x512_160k_ade20k.py），然后针对性地编辑其中的关键参数以匹配所使用的硬件条件和个人偏好设定[^3]。 值得注意的是，某些高级选项可能会显著影响最终效果的好坏程度，因此建议仔细阅读官方文档了解各项功能的具体含义后再做决定。 #### 开始训练 一切准备工作就绪之后就可以启动正式训练环节了。一般会通过调用预先编写的 Python 脚本来触发整个过程，期间可以监控日志输出查看进度状况并及时作出相应调整优化性能表现。 遇到类似 `"KeyError: CascadeRCNN: 'SwinTransformer is not in the backbone registry'"` 错误提示时，可能是由于注册表未正确更新所致，此时可尝试重启内核重新导入模块解决该类问题。 ```python import torch from mmdet.apis import init_detector, inference_detector, show_result_pyplot from mmdet.models import build_detector from mmcv.runner import load_checkpoint from mmseg.apis import set_random_seed # 加载预训练权重 checkpoint_file = './checkpoints/pretrained_model.pth' model = init_detector(config_file='configs/my_custom_config.py', checkpoint=checkpoint_file) set_random_seed(0, deterministic=True) data_loader = model.data_preprocessor.dataset.load_as_dataloader() for i, data_batch in enumerate(data_loader): results = model(return_loss=False, **data_batch) ``` 以上代码片段展示了如何初始化带有预训练权重的检测器实例，并创建一个简单的推理循环来评估新输入的数据批次。当然，实际应用中往往还会包含更多复杂的逻辑控制与结果可视化部分。
评论 10
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