豆芽菜

【代码】使用numpy计算miou指标。

机器已经安装nvidia驱动，且正常使用，重启后找不到显卡驱动打开终端，用nvidia-smi查看一下，发现如下报错：NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.查看发现系统中的显卡驱动自动升级了，重启后没有正常找到驱动发现驱动是存在的，于是进行下一步比

在使用mmseg的模型进行推理导出为torchscript时出错： 出错原因是模块没在注册信息中找到，需要添加mmseg注册模块代码。 具体参考：Here is the answer : #9719 (comment)The whole thing can be fixed by adding this to you inference script :I explain some of what I understood in the issue above, it's

优化：设置 torch.utils.data.DataLoader 方法的 num_workers 参数、tf.data.TFRecordDataset 方法的 num_parallel_reads 参数或者 tf.data.Dataset.map 的 num_parallel_calls 参数。如上图所示，GPU 任务会交替的使用 CPU 和 GPU 进行计算，当 CPU 计算成为瓶颈时，就会出现 GPU 等待的问题，GPU 空跑那利用率就低了。d、关于查询操作，多使用 dict 加速查询操作；

在Torch1.10环境下，build含CUDA算子编译的工程时出错：build命令：错误：出错的主要原因是用于编译算子的torch版本不合适，升级Torch1.11后正常编译。

使用mmrotate-1.x 自定义类时，明明已经注册，并添加到__init__.py中，但提示没有注册。

pip安装完pytorch=1.13.1后，build代码时出错：原因因为pytorch1.13安装时会给我们自动安装但由于一般用户已经安装CUDAtoolkit，所以会产生这个错误。

使用PyTorch Lightning时对lr_scheduler_step定义如下： 出错： 出错原因是参数差异导致的，函数定义接收3个参数，但是实际调用的时候传参并不是3个，而是4个，可以在定义函数的时候使用参数列表，避免参数数量差异出错。参考：Error in `lr_scheduler_step()` function - LightningModule - Lightning AI

原文链接：https://blog.youkuaiyun.com/xx_xjm/article/details/126608359。rle = {'size':[512,512],'counts': '一个很长的字符串乱码'}直接利用下面这条命令就可以得到二值mask。此时该如何转化为可以训练的mask呢？2：mask转rle。1：rle转mask。

Docker容器中使用Nvidia GPU报错 docker: Error response from daemon: could not select device driver “” with capabilities: [[gpu]]

mmcls现在叫mmpretrain，以前叫mmclassification，这里为了统一称为mmcls。在基于MM框架的下游任务，例如检测(mmdetection)中可以使用mmcls中的backbone进行特征提取，但这就需要知道网络的参数以及输出特征的维度。本文简单介绍了在mmdetection中使用mmcls中backbone的方法。mmdetection中需要配置backbone、模型权重及neck的特征维度等信息。

使用MMdetection复现论文swin Transformer，显示错误：与此同时，各项评价指标如AP,AR结果趋于零，F1值变成-1，loss与grad_norm爆炸增加，具体情形如下图： 看到报错的第一眼，猜测可能是数据集的问题，所以检查了数据集的路径，然后检查了数据集里面是否有图片，但经过一番验证，排除了这种可能性。如果数据集本身有问题，代码一开始就无法运行起来，因为mmdet一定会报错，而且报错内容是：找不到数据集或者说找不到某张图片。再仔细观察报错：ERROR:The testing res

可以强制切换分支以舍弃修改，再checkout。你当前文件夹下的源码会变成这个版本号的源码。git checkout　+某版本号。git tag　列出所有版本号。git clone 下载源码。

重新规范化了一下，更标准化的输入数据有利于进行检测 /语义分割 /全景分割。源码附在最后，其keys默认包括'img_id', 'img_path', 'ori_shape', 'img_shape', 'scale_factor', 'flip', 'flip_direction'。可以在函数定义的注释中查看，例如RandomFlip函数（mmdetection-3.0.0\mmdet\datasets\transforms\transforms.py）可以看到。关于源码理解可以参考这位博主的。

1，异常点检测算法使用场景什么时候我们需要异常点检测算法呢？常用的有三种情况。1.做数据预处理的时候需要对异常的数据做过滤，防止对归一化等处理的结果。2.对没有标记输出的特征数据做筛选，找出异常的数据。3.对有标记输出的特征数据做二分类时，由于某些类别的训练样本非常少，类别严重不平衡，此时也可以考虑用非监督的异常点检测算法来做。

判断新观测值是否与现有观测值具有相同的分布(它是一个内点(inlier))，或者应该被认为是不同的（它是一个离群值）。离群点检测和奇异值检测都用于异常检测, 其中一项感兴趣的是检测异常或异常观察。离群点检测又被称之为无监督异常检测，奇异值检测又被称之为半监督异常检测。在。相反的，在奇异值检测的背景下，奇异值/异常点只要位于训练数据的低密度区域，是可以形成稠密聚类簇的，在此背景下被认为是正常的。scikit-learn项目提供了一组机器学习工具，可用于新颖性或离群值检测。然后可以使用以下predict。

使用timm的ViT模型时出错：features_only not implemented for Vision Transformer models.

【代码】使用timm模型的金字塔特征。

官方文档对更换backbone已经有了比较详细的介绍，特别是较新的版本已经支持mmcls库以及timm库中的现有分类网络，一般直接拿来修改使用即可，但这里最重要的一点就是需要保证修改后的backbone要和后面的neck结构进行进行匹配，主要是通道数方面。目标检测模型的通用结构如下图所示，如果更改backbone后导致于neck的结构不适配，将导致模型失效报错。

两卡的 NVIDIA A100 服务器，在输入命令 nvidia-smi 时，出现了和之前不同的界面，如下图所示：在最右列的选项中，除了 Uncorr. ECC 和 Compute M. 之外，还多出了一个 MIG M. 选项，并且其状态置为。

使用MMRotate注册了backbone模型后，发现无法使用，出现错误：模型中的伪代码如下：（这里是mmrotate-1.x/mmdet-3.x，用法与mmrotate-0.x/mmdet-2.x不同）

使用nvidia-smi命令查看显卡状态时，出现错误：而使用nvcc -V查看cuda版本时，显示正常。

比如你服务器插着4张卡的时候，有个BUS-ID 02的卡坏了，你把它拔了，再运行$ nvidia-smi，发现还会有BUS-ID 02的显卡出现在结果中。可以看到BUS-ID 02对应的卡槽为SLOT-2，SLOT标号一般在主板上，白色字体，在每个PCIE插槽（很长的那个插槽，插显卡的）的上方。可以看到，损坏的显卡（BUS-ID 02）的序列号（Serial Number）尾号为4953。4、去机房，找到这台服务器上SLOT-2卡槽插的序列号（显卡上一般会贴有白色的序列号标签）尾号为4953的那张卡！

简单粗暴，废话也不罗嗦了，学习目的就是解决下面三个问题，传送门： yolov5/autoanchor.py来先粗略的概览一下函数名来了解一下整个过程，以coco128数据作为学习数据集，这是一个阉割版的COCO数据集，里面只有128张图片，929个标注框。总揽一下yolov5工程下utils/autoanchor.py这个文件,文件中函数从上面函数名还是比较明确的，kmeans就是很常用的聚类方法，说明anchor是通过kmeans聚类而来。

在网络架构的设计中，最简单和最流行的方法是硬参数共享(HPS，LibMTL.architecture.HPS)，如图1所示，其中编码器在所有任务之间共享，每个任务都有自己的编码器以及特定的解码器。（1）把各loss统一到同一个数量级上，其背后的原因是不同任务的不同损失函数尺度有很大的差异，因此需要考虑用权值将每个损失函数的尺度统一。和每个子任务之间的约束。而对于“不同网络部分梯度的数量级”问题，虽然梯度值相同，但不同的loss在task上的表现也是不同的，所以还是要找不同loss的合适平衡点。

本文章基于yolov5-6.2版本。主要讲解的是yolov5在训练过程中是怎么由推理结果和标签来进行损失计算的。损失函数往往可以作为调优的一个切入点，所以我们首先要了解它。

本文章基于yolov5-6.2版本。主要讲解的是yolov5是怎么在最终的特征图上得出物体边框、置信度、物体分类的。

YOLOv5中有三个损失分别是 box, obj, cls在超参数配置文件hyp.*.yaml中可以设置基础值，例如训练使用时，在train.py进行更新可以看到损失与nl（number of detection layers，检测层的层数，这里是3）和图像尺寸相关，与layers相关这个好理解，是因为损失多个layers的加和。与图像尺寸相关则需要进一步探讨。然后，在loss计算时会乘上各自的权重loss.py训练时会过滤掉小于2像素的框。

yolov5训练过程中wandb总是提示登入账号，不登入还不能继续训练，想要关闭wandb，直接不使用即可。参考：https://blog.youkuaiyun.com/athrunsunny/article/details/123428667。在\yolov5\utils\loggers\wandb\wandb_utils.py中。同时在\yolov5\utils\loggers\__init__.py中。import wandb的位置下面同样加上wandb = None。这样就可以关闭wandb。

并不是所有的torch方法都支持半精度计算。测试半精度计算需要在cuda上，cpu不支持半精度。因此首先需要创建半精度变量，并放到cuda设备上。部分方法在低版本不支持，在高版本支持半精度计算，部分方法一直不支持。例如行列式计算torch.linalg.det()不支持半精度。d = a.det()是半精度计算，出错，***not implemented for 'Half'c = b.det()是单精度计算，正常；

代码换机器执行时，使用包含自行编译的cuda算子库so时出错：这是由于新旧机器的cuda环境不一致，使得之前编译的库无法正常使用，需要在新机器重新编译cuda算子库so文件

python编译用于cuda的so文件中，使用编译.cu文件出错：gcc版本过高，与cuda不兼容，查看本机的gcc版本：安装版本10的gcc和g++:为nvcc编译器指定特定版本的gcc：由于linux中可以有多个版本的gcc和g++，我们可以为系统默认的gcc和g++指定特定的默认版本，但是对于cuda的nvcc来说有更方便的方法，那就是nvcc会优先读取自身路径下的gcc然后如果没有再读取系统默认路径下的gcc，因此我们只需要为nvcc设置特定版本gcc的软连接即可：然后可以正常编译

6006端口是用来运行tensorboard的，这里重要的是22端口。如果希望通过ssh远程连接docker，需要对容器的22端口做端口映射。

在目标检测任务中，多是采用L1或L2回归损失，回归loss相同的情况下，IoU却可能大不相同。IoU有尺度不变性的优点，但是将其作为损失函数，由于某些方面的问题，无法直接使用。

EfficientNet利用depth-wise卷积来减少FLOPs但是计算速度却并没有相应的变快。反而拥有更多FLOPs的RegNet号称推理速度是EfficientNet的5倍。非常好奇，这里面发生了什么，为什么计算量小的网络推理速度反而慢于计算量大的网络？

发展YOLO系列并方便支持实例分割和斜框检测等任务，亮点：设计兼容性backbone和neck，采用大核深度可分离卷积；动态标签分配中采用软标签计算匹配损失；结合训练达到实时检测、实时实例分割和斜框检测SOTA。

nms_rotated编译出错fatal error: THC/THC.h: No such file or directory，该问题是在torch==1.11时出现，暂时没有好的解决方案，可以将torch版本降到1.10

yolov5参数

​遥感等领域数据大图像检测时，直接对大图检测会严重影响精度，而通用工具多不能友好支持大图分块检测。Slicing Aided Hyper Inference (SAHI)是一个用于辅助大图切片检测预测的包。目前可以良好的支持YOLOX、YOLOv5、MMDetection、Detection2等。​

VOC数据集颜色表colormap与代码