alex1801

验证环境：win10+vs2017+cuda10.2+cudnn7.6+pytorch1.6+mmcv-fullpip安装mmcv报错：1）错误1WARNING: The repository located at yum.tbsite.net is not a trusted or secure host and is being ignored. If this repository is available via HTTPS we recommend you use HTTPSins

目录1、获取FLOP和参数2、发布模型3、转换为ONNX4、打印整个配置除了训练/测试脚本，在tools/目录下提供了许多有用的工具。1、获取FLOP和参数提供了一个适用于flops-counter.pytorch的脚本，用于计算给定模型的FLOP和参数。python tools/get_flops.py ${CONFIG_FILE} [--shape ${INPUT_SHAPE}]将得到这样的结果：==============================.

目录1、训练技巧1.1、Backbone和Heads不同学习率1.2、在线难样本挖掘（OHEM）1.3、类平衡损失2、自定义优化设置2.1、Pytorch支持的自定义优化器2.2、定制优化器2.3、在配置文件中指定优化器2.4、自定义优化器构造函数2.5、其他设置3、定制训练计划4、自定义钩子过程4.1、使用MMCV中实现的挂钩4.2、修改默认的运行时挂钩4.3、检查点配置4.4、日志配置4.5、评估配置1、训练技巧1.1、Back

1、定制优化器1.1、优化器注册类mmsegmentation中未对优化器进行封装，真实的封装及注册类在mmcv中完成。我们可以在schedule默认配置中看到优化器的字典型配置。在mmseg/api/train.py中，由build_optimizer完成构造。进一步代码跟进，在mmcv中实现该注册类。所以，不用纠结，工程代码中为什么字典型优化器配置，如何转为pytorch的优化器类。1.2、优化器定义假设定义一个名为优化MyOptimizer，其中有参数a，b和c

目录1、数据项配置2、voc数据集传入参数3、CustomDataset数据读取4、self.pipeline(results)4.1、读图4.2、数据增广4.3、格式转换4.4、测试5、扩展和使用自定义管道1、数据项配置不使用数据增广，返回原始默认图像及标签：from mmseg.datasets import build_datasettrain_cfg = dict( type='PascalVOCDataset', data_ro

目录1、参数组成2、命令行参数3、配置文件3.1、配置文件结构3.2、常见问题以fcn_r50-d8_512x512_20k_voc12.py为例。fcn_r50-d8_512x512_20k_voc12.py由fcn_r50-d8_512x512_20k_voc12aug.py修改而来。修改数据集为voc_aug为voc，其它一致。1、参数组成tools/train.py中main函数，查看训练参数来源三个部分：1）命令行参数；2）配置文件；3）环境变量。关

目录1、常用设定2、模型训练2.1、单GPU训练2.2、使用多个GPU进行训练3、模型推理1、常用设定1）默认使用4个GPU的分布式训练。2）ImageNet上所有pytorch样式的预训练主干都是由open-lab团队自己训练的，参考文章https://arxiv.org/pdf/1812.01187.pdf。其中ResNet样式主干基于ResNetV1c变体，其中输入主干中的7x7转换被三个3x3转换取代。3）为了确保不同硬件之间的一致性，将GPU内存报告torc

目录1、准备数据集2、支持数据集2.1、Cityscapes2.2、Pascal VOC2.3、ADE20K2.4、Pascal Context2.5、CHASE DB12.6、DRIVE2.7、HRF2.8、STARE3、数据实例配置翻译地址：https://mmsegmentation.readthedocs.io/en/latest/dataset_prepare.html1、准备数据集建议将数据集根符号链接到$MMSEGMENTATION/da

环境：win10、ubuntu通用目录1、下载代码2、创建虚拟环境3、安装环境4、验证安装是否成功1、下载代码https://codeload.github.com/open-mmlab/mmsegmentation/zip/master下载后，解压。将工程名文件夹名改为mmsegmentation，使用pycharm打开工程。2、创建虚拟环境step1、创建名为mmseg的conda虚拟环境，使用python3.7conda create -n mmseg p

MMSegmentation是一个基于PyTorch的开源语义分割工具箱。它是OpenMMLab项目的一部分。文章总结于2021.01.18支持后端：ResNet ResNeXt HRNet ResNeSt MobileNetV2 MobileNetV3支持的方法：FCN PSPNet DeepLabV3 PSANet DeepLabV3+ UPerNet NonLocal Net EncNet CCNet D...