RookiChen的博客

使用analysis.get_model_complexity_info()打印任意模型参数和flops

在跑UniFormer源码的时候报错了，去GitHub上的issue也没人提问，自己解决后记录一下解决bug的过程。中create_model设置的参数，确实是有pretrained_cfg这个参数的。猜测：很可能是timm版本的问题，但是作者并没有给出具体的版本。可以看出作者并没有给出pretrained_cfg参数。解决方案：直接把这个。

用Xshell远程链接服务器跑项目时，突然断网或者Xshell的窗口不小心关掉了，是非常痛心的一件事（比如跑深度学习，一轮要几十分钟，中间突然断了，这一轮的权重没保存，白跑一轮！）。下面介绍一下如何使用tmux来解放自己的电脑，即使关机，程序也能在服务器上运行！

本文是对YOLOV7训练自己的yolo数据集的扩展，具体训练等步骤不再详细赘述，遇到看不懂的请移步YOLOV7训练自己的yolo数据集

使用YOLOv7训练自己的数据集，避免踩坑

目标检测中mixup数据增强，全代码无bug，可生成任意数量的数据集，修改文件路径即可使用，非常方便！

mmdetection不推荐1.11.0版本的torch**pytorch官方中torch历史版本：[https://pytorch.org/get-started/previous-versions/](https://pytorch.org/get-started/previous-versions/)```pythonconda create -n mmdet python=3.7

yolov5官方代码：[https://github.com/ultralytics/yolov5/tree/v5.0](https://github.com/ultralytics/yolov5/tree/v5.0)我下载的是v5版本的，最新版在数据处理方面使用了实例分割，将一张图像中的检测目标进裁剪，然后放入另一张图片，并且不能与这张图片中的检测物体重合，效果类似于下面这张图，后续会更新一下带实例分割的数据增强的yolov5。

最近想跑一下yolox的代码，但是上网搜了几篇博客后感觉都异常的麻烦，而且跑起来还有各种各样的问题，不如自己写篇总结，把步骤和报错都记录下来。按照我的步骤一步步来，肯定是能跑通的。

在导入opencv包时报错：ImportError libGL.so.1 cannot open shared object file No such file or directory

批量归一化（BN层）

第一步：安装labelimg打开Windows命令界面，进入到自己的pytorch环境，输入pip install labelimg第二步：创建数据集文件夹创建一个空的文件夹，里面包含三个文件，photo是存放要标注的数据集，另外两个是空文件夹第三步：开始数据集的标注首先在Windows命令界面输入labelimg，change save dir选择annotations，open dir 选择photo。...

GoogLeNet网络结构亮点：1.使用了Inception结构（融合不同尺度的特征信息）2.使用1x1的卷积核进行降维以及映射处理3.添加了两个辅助分类器4.丢弃全连接层，使用平均池化层（大大减小了模型参数）整个网络架构：Inception结构：在Inception中，将每一层预测的结果用cat进行连接：辅助器单独预测结果，最后将预测的结果与主干网络预测的结果一并返回，这里的aux2和aux1就是通过GoogLeNet两个辅助器预测的结果。要注意，如果是训练模式，通过神经

VGG16网络的优点：1.通过堆叠两层3x3的卷积核替代5x5的卷积核， 通过堆叠三层3x3的卷积核替代7x7的卷积核， 原因是拥有相同的感受野，且需要更少的参数：假设输入通道数为C, 则所需要的参数为：三个3x3的卷积核：3 x 3 x C x C + 3 x 3 x C x C + 3 x 3 x C x C = 27 x C x C一个7x7的卷积核：7 x 7 x C x C = 49 x C x C感受野的计算： F(i) = (F(i+1) - 1) x S + K ， F

stack会新开辟一个新的维度，将后面的维度在这个新的维度拼接起来cat会在原有的维度上进行拼接代码示例：m = torch.randn((2, 3, 4))print(m.shape)dim = 0使用stack():m = torch.stack((m, m), 0)# torch.Size([2, 3, 4]) -> torch.Size([2, 2, 3, 4])print(m.shape)使用cat():# torch.Size([2, 3, 4]) ->

项目链接：https://github.com/ultralytics/yolov5/tree/v6.0最近刚学完pytorch，想找几个项目跑一跑，今天上Github上找了个最火的YOLOv5的项目，下载了tags5版本，在运行其中的detect.py文件时报错了：说在model.py中找不到SPPF这个类，解决方法如下：如果你用的是Tags5的话,就去Tags6里面的model/common.py里面去找到这个SPPF的类,把它拷过来到你这个Tags5的model/common.py里面,这样

今天用jupyter跑一个ResNet网络的时候报错了，说是没有找到IProgress，需要更新一下jupyter，下面给出了官网的做法，但是官网的做法有点麻烦。ImportError: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.html我们只需要进入你所在的pytorch环境，对jupyter进行更新

如何评估一个训练好模型的好坏，是目标检测中一个很重要的因素，如常见的TP、FP、AP、PR、map等，这些概念很容易混淆，搞了两天才搞明白，写一篇博客总结一下

pytorch的安装首先，我们要学会如何管理环境，打开anaconda prompt，输入conda conda create -n pytorch python=3.7如果不知道自己python版本号的话可以先打开cmd，输入python即可查看自己的版本号。建立完环境后，输入activate pytorch 切换到新建的pytorch环境activate python ...

最近跑模型时不小心安装了一些包，导致原来的依赖包都变了，运行时各种报错，最后采用最暴力解决办法：卸载Anaconda和pytorch，重新安装。写一篇博客记录安装anaconda和pytorch的方法。

最近学了一些关于深度学习的算法，比如FPN，SSD，FasterRCNN等，但是都没有读过相关的论文，总感觉只跑跑模型有点站不住脚，对代码里面一些实现过程很疑惑，不明白为什么要这样做，于是打算花点时间读读这些经典神经网络的论文，充实一下自己的理论知识。一篇论文分一般为一下几个结构：Title 标题Abs 摘要Intoo 导言Method 算法Exp 实验Conclusion 结论对一篇论文大致需要读三遍：第一遍：对论文做海选，了解这篇论

今天用pytorch跑完一个分类模型，准备用几张图片验证一下模型时，报错了：说输入类型和网络参数类型不匹配，一个是CUP类型，一个是GPU类型，上网搜解决方法如下：既然网络参数是GPU类型，那解决方法就是将输入类型转变为GPU类型，需要使用到cuda，没有cuda就解决不了。实现方法有两种： 1. device = torch.device('cuda:0') inputs = inputs.to(device) 2. inputs = inputs.cuda()#具体代码：devic

AlexNet 网络的优点：1. 首次使用GPU加速2. 随机drop掉一些神经元，有效降低了过拟合model.pyimport torch.nn as nnimport torch# AlexNet 网络的优点：# 1. 首次使用GPU加速# 2. 随机drop掉一些神经元，有效降低了过拟合class AlexNet(nn.Module): def __init__(self, num_classes=1000, init_weights=False):