Fast-CNN demo测试失败(nms)

最新推荐文章于 2022-08-21 16:00:22 发布
原创 最新推荐文章于 2022-08-21 16:00:22 发布 · 1.1k 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。

本文解决Python中GPU NMS模块缺失的问题，包括编译安装Cython、配置环境变量及修正宏定义路径等步骤。

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

1.提示No module named gpu_nms模块，

分析：soft-nms-master\lib\nms\gpu_nms.pyx文件没有编译成python

解决：安装cython编译成gpu_nms.py

2.提示os.environ['CUDAHOME']不存在

分析：环境变量不存在

解决：重新配置环境变量

3.numpy打开numpy/math.h失败，文件、路径不存在

分析：宏定义出错，路径确实不存在

解决：修改#include “math.h”


setup_cuda.py 编译gpu_nms
jacke121的专栏
02-07 8064
setup_cuda.py setup_cuda 1.修改 include_dirs = [numpy_include, r'C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\include']) 2.报错： LINK : fatal error LNK118
编译py-faster-rcnn的问题汇总及解决方法
生如蚁，美如神
10-17 7495
按照官网 的提示，我开始安装faster rcnn，但是出现了很多问题，我将其汇总了起来，并提出了解决办法。 先说明一下我的配置： python : anaconda2 linux: centos 6.9 安装faster rcnn请先参考：《cuda8+cudnn4 Faster R-CNN安装塈运行demo》 与 《使用cuDNN5编译py-faster-rcnn错误：cudnn.hpp(1
python gpu_nms编译错误
fanhenghui的专栏
11-01 3603
解决方案: 将出错的函数变量__pyx_t_5numpy_int32_t*，改成int*(见红色字体)。接着，为了保证gpu_nms.cpp不再由gpu_nms.pyx自动生成，需要将setup.py中ext_modules数组下的nms/gpu_nms.pyx改为nms/gpu_nms.cpp。 error: _nms((&(__Pyx_BufPtrStrid...
CSP运行出现No module named gpu_nms解决办法
xunan003的博客
05-06 6141
CSP源码：https://github.com/liuwei16/CSP CSP论文：https://arxiv.org/abs/1904.02948 CSP算法思想：https://www.jiqizhixin.com/articles/2019-04-13 在运行test code时出现No module named gpu_nms错误。 原因：作者公布的源码并没有make编译gpu...
编译NMS出现问题ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead
11-13 2169
使用yhenon的pytorch版RetinaNet https://github.com/yhenon/pytorch-retinanet build NMS时出现问题 ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead 参考的解决方法为https://github.com/yheno...
cpu_nms.py
03-05
重写覆盖原模型中使用的 cpu_nms.pyx, 解决碰到的 ModuleNotFoundError: No module named 'utils.nms.cpu_nms' 报错
编译nms报错
canpian7的博客
05-13 562
编译nms报错 原因pytorch版本过高，使用pytorch1.4就可以编译
R-CNN + Fast R-CNN + SPP Net + Faster R-CNN详解
Focus
09-25 752
R-CNN全家桶 R-CNN是将CNN方法引入目标检测领域， 大大提高了目标检测效果，可以说改变了目标检测领域的主要研究思路， 紧随其后的系列文章：R-CNN, Fast R-CNN, Faster R-CNN 。 R-CNN Rich feature hierarchies for accurate object detection and semantic segmentation CVPR2014 作者：Ross Girshick 论文：https://openaccess.thecvf.com/co
Faster R-CNN详解
张家四少
09-01 1万+
1 前言 Faster RCNN将特征抽取(feature extraction)，proposal提取，bounding box regression，classification都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。 图1 Faster RCNN基本结构（来自原论文） 1.1 图1展示了F...
Swin Transformer Faster R-CNN 目标检测
qq_45720073的博客
08-21 1744
mmdetection Faster R-CNN 目标检测（自留）
Pytorch版Faster R-CNN 源码分析+方法流程详解
lzm1028928096的博客
12-28 5871
Pytorch版Faster R-CNN 源码+方法流程详解 参考文章/博客/论文/源码： 论文：https://arxiv.org/pdf/1506.01497.pdf 源码：https://github.com/jwyang/faster-rcnn.pytorch 文章：Tensorflow版源码分析：https://zhuanlan.zhihu.com/p/32230004 环境配置： ...
tensorflow版本Faster R-CNN环境搭建和运行（代码、数据、模型齐全）
weixin_43981560的博客
03-09 2011
最近在做物体检测，想在自己电脑上跑一下Faster RCNN，从搭建环境到改代码再到出结果，过程真的踩过太多太多的坑了，要哭惹~~~ 看多了Error，都快忘记Successful长啥样了…还好我没放弃，今天终于跑通了，从网上找了几张图片demo了一下。 下面从头到尾顺一下过程，致敬这些天才过的坑。 1、环境搭建 首先说一下Faster rcnn有cpu和gpu两种版本，如果你没有gpu服务器或者...
Tensorflow踩坑记（三）：ImportError: No module named gpu_nms 和 ImportError: No module named Cython.Distutil
骑着蜗牛向前跑的博客
11-07 1万+
我在跑faster rcnn的时候运行python3 tool/demo.py就会出现错误提示：ImportError: No module named gpu_nms。这是因为没有在tf-faster-rcnn/lib路径下执行make导致的。 当在tf-faster-rcnn/lib中执行make是有时候会出现ImportError: No module named Cython.Distut...
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks程序(Python)配置问题总结
热门推荐
Jiajun的博客
12-21 2万+
目录目录 预先浏览 QA预先浏览 原文：faster-r-cnn 源码：py-faster-rcnn接下来列举源码配置过程中我遇到的问题，希望对大家有帮助。若有错误，还望指出。 Q&A Q1: error: utils/bbox.c: No such file or directory x86_64-linux-gnu-gcc: error: utils/bbox.c: No such file o
faster rcnn +GPU+配置+训练
camille靖的博客
11-07 8892
1 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git2 cd $FRCN_ROOT/lib make 错误 yida@yida-X555LJ:~/py-faster-rcnn/lib$ make python setup.py build_ext --inplace Traceback (most
简述R-CNN、Fast R-CNN和Faster R-CNN的区别
最新发布
12-27
### R-CNN、Fast R-CNN 和 Faster R-CNN 的差异 #### R-CNN (Region-based Convolutional Neural Network) R-CNN 是一种早期的对象检测框架，其工作流程分为三个主要阶段： 1. 使用选择性搜索(Selective Search)等无监督的方法生成大约2000个候选区域(region proposals)。 2. 对每个候选区域提取固定大小的特征向量（通常通过预训练好的AlexNet），并将其输入到SVM分类器中判断该区域内是否存在目标以及属于哪一类。 3. 利用边界框回归(Bounding Box Regression)微调预测的位置。 这种方法虽然有效，但在实际应用中有两个显著缺点：一是计算效率低下，因为每张图片都需要处理大量独立的区域建议；二是由于不同图像间存在重叠部分，在测试时无法充分利用卷积神经网络的空间冗余特性[^1]。 #### Fast R-CNN 为了克服上述局限性，Fast R-CNN被提出。它改进了原有架构，使得整个过程更加高效： - 将整幅图像一次性送入深层卷积神经网络(CNN)，而不是像之前那样逐个处理各个候选区； - 采用RoI Pooling Layer来适应各种尺寸的感兴趣区域，并确保输出具有相同维度以便后续全连接层操作； - 结合Softmax损失函数替代原来的多类别支持向量机(SVMs)，简化了训练流程的同时提高了精度； - 同样也加入了边框精修机制以提高定位准确性。 这种设计不仅减少了重复运算次数，还允许端到端的学习方式，从而提升了整体性能表现[^2]。 #### Faster R-CNN 尽管Fast R-CNN已经大大改善了对象识别的速度和效果，但它仍然依赖外部算法提供初始的区域提案。为此，Faster R-CNN引入了一个名为“区域提议网络”(Region Proposal Network, RPN)的新组件，实现了完全自动化的解决方案： - RPN与用于最终分类/回归任务的基础CNN共享大部分前馈路径，这既节省了资源又促进了两者间的协同优化； - 它能够直接从原始像素级数据中学习有效的空间布局模式，进而自动生成高质量的候选框集合供下一步分析使用； - 整体结构变得更加紧凑简洁，形成了一个真正意义上的单流(end-to-end)系统，可以同时完成物体位置估计及其类别的判定。 综上所述，随着版本迭代更新，这三个模型逐步解决了先前存在的问题，不断推动着计算机视觉领域向前发展[^3]。 ```python # 这里仅作为示意代码展示三种方法的主要区别，并非真实可执行程序 def rcnn(image): # Step 1: Generate region proposals via Selective Search or other methods. proposals = generate_region_proposals(image) # Step 2: Extract feature vectors from each proposal and classify them individually. results = [] for prop in proposals: features = extract_features(prop) label = svm_classifier(features) bbox_refined = refine_bbox(label, prop.bbox) results.append((label, bbox_refined)) def fast_rcnn(image): # Process whole image once through CNN to get shared convolutional features. conv_features = cnn_forward_pass(image) # Use RoIPool layer followed by fully connected layers for classification & regression within one pass. rois = selective_search(image) # Still external but fewer calls needed now. pooled_regions = roi_pool(conv_features, rois) labels_and_bboxes = fc_layers(pooled_regions) def faster_rcnn(image): backbone_conv_features = base_cnn(image) rpn_output = rpn_layer(backbone_conv_features) refined_rois = apply_nms(rpn_output.proposals) final_predictions = detection_head(refined_rois, backbone_conv_features) ```
评论 3
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