mmdection下载预训练模型

最新推荐文章于 2024-03-13 23:33:33 发布
最新推荐文章于 2024-03-13 23:33:33 发布
阅读量766 收藏
点赞数
分类专栏： 笔记
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。
本文链接：https://blog.youkuaiyun.com/weixin_43976891/article/details/119737416
版权

1.在使用mmdection训练自己的数据集时经常需要使用预训练模型参数，如果网络好的话可以直接下载，但是如果网络中断再次下载模型参数时程序会报错：
unexpected EOF, expected 455433 more bytes. The file might be corrupted.
这时候的解决办法是找到未下载完成的文件然后将其删除
未下载完的文件位置在隐藏文件夹.cache/torch/checkpoints

【MMDetection系列 - 2】MMDetection使用自定义数据集训练、测试已有模型
Fate_serendipity的博客
04-16 2818
使用MMDetection利用自定义数据集进行模型训练、测试、推理
mmdetection2.28修改backbone不使用预训练参数、从头训练
weixin_45055622的博客
06-27 789
mmdetection设置backbone从头训练
mmdetection测试权重文件--faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth
04-23
mmdetection测试权重文件--faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth
如何下载mmdetection官方提供的预训练模型
贾路飞的博客
06-18 8657
mmdetection默认下载AWS上的预训练模型，具体情况可以查看mmcv/model_zoo/open_mmlab.json文件。由于网络原因，导致下载速度非常慢，此时我们可以通过mmdetection指定的阿里云镜像源下载，如下图所示： 例如，我们想要下载SSD网络的Backbone，即VGG16的预训练模型。默认下载地址如下： https://open-mmlab.s3.ap-northeast-2.amazonaws.com/pretrain/third_party/vgg16_caff
mmdetection
Highlight_Jin的博客
05-10 1269
mmdetection
resnet101预训练模型.zip
07-12
resnet 101 pytorch 预训练模型，官网不太好下载，下载速度慢我把这个下好以后上传上来了。主要是用于加载预训练的权重。
【MMDetection3D实战(2)】: 利用MMDet3D预训练模型进行推理
@bangbang的博客
03-13 2348
图像和点云不太一样，点云自己一般比较难获取，图像会比较容易获取。如果希望在自己的图像上进行推理mmdet3D也是可以实现该功能的。总体代码和之前的是一样的，唯一的区别我们需要自己提供一个标注文件, 文件中主要是提供相机的内参。（1） 准备预训练权重模型文件之前已经下载好了，这边就不介绍了（2） 准备数据和标注文件图片image：网上找的街机游戏的图片标注文件ana：网上找的街机游戏的图片这个比较麻烦的是，我们需要获得该场景的相机参数，通常该参数我们是没有的。不过我们自己简单写一个。, 其中焦距。
使用mmdetection训练模型--记faster-rcnn不同backbone性能比较
hedgehogbb的博客
12-15 4755
使用mmdetection训练模型--记faster-rcnn不同backbone性能比较
【mmdetection】使用cascade-rcnn、faster-rcnn训练自定义的coco数据集
热门推荐
qq_41627396的博客
05-06 1万+
开始 这篇文章主要是记录我第一次使用mmdetection工具包里面的cascade-rcnn训练自己模型的经过 训练环境 本次是使用的系统是linux的ubuntu20.04 cuda=10.2 cudnn=7.6.5 anaconda=3（用于创建虚拟环境，后续的训练、测试模型也在这个虚拟环境中） (以上软件安装可以参考其他博客) pytroch=1.5.0 torchvision=0.6.0 cudatoolkit=10.2.89 mmcv-full=1.3.1 mmdetection=v2.11
mmdetection2.8_inference.zip
01-14
使用mmdetection进行目标检测的模型和简单demo脚本
mmdetection：mmdection学习
02-25
MM检测 使用MMdectection框架实现目标检测算法，学习目标检测 已完成模型 2021-2-25实现YOLOv5的推理 实验结果 算法 实验细节 地图 AP50 AP75 接入点 AP-m 一号 YOLOv5s-v3头 使用v5的主干，头部，bbox回归损失使用v3（后续需要转换CIoU） 0.354 0.550 0.377 0.206 0.407 0.447
Windows配置mmdection自定义数据集训练
qq_44892836的博客
09-08 1057
Windows配置mmdection自定义数据集训练
MMDetect2.0模型下载地址
whunamikey的专栏
07-10 490
MMDetect2.0模型下载地址 MMDetect2.0运行demo的时候,会遇到跑完前向之后,什么结果也没有画出来,原因是模型不匹配 模型可以在如下网址查询 https://open-mmlab.s3.ap-northeast-2.amazonaws.com/ 举个例子 https://open-mmlab.s3.ap-northeast-2.amazonaws.com/加上后面的相对路径即可 mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_caffe_fpn_
mmdection介绍
weixin_49305813的博客
07-26 3001
写在前面：目前需要接触到mmdection框架，以此大致记录一下学习过程。 一、mmdection安装 csdn上有很多安装教程，自己建一个虚拟环境(Anaconda和virtualenv都可以)，之后的包用pip安装就行了，根据项目安装不同版本，注意和torch版本对应。 二、框架 主要分为七个模块 1、训练推断模块：位于mmdet/apis，提供网络训练和推断的框架代码，能够根据网络配置文件cfg的要求，初始化目标检测网络以及设定优化器模式，提供所需超参数 2、数据输入模块：位于mmdet/datas
MMdetection训练配置
milk_and_bread的博客
10-22 2449
mmdetecton 安装 采用mmdetection,安装教程参考： Windows下配置MMDetection 数据集准备 实验为自制VOC数据集，使用tools/dataset_converters/pascal_voc.py转换为COCO格式数据集，结果包括 voc07_train.json、voc07_test.json、voc07_val.json，COCO数据集JSON文件格式字段说明参考： COCO数据集JSON文件格式 FasterRCNN训练模型配置 进入configs->fast
mmcv+mmdet预训练权重模型下载慢的解决
JackHu12345的博客
08-23 1547
先明确你要下载的模型的backbone，或者说主干网络 只要是resnet101作为backbone的模型，你需要的只不过是resnet101的预训练权重 那么你就去比如csdn资源或者什么的地方弄一个pytorch的resnet101的权重 然后重点来了，放在 /.cache/torch/checkpointscd 的下面，那么就可以自动调用这样的缓存了。 别的像更换torchvision/model里面的resnet101的model_url更加彻底，可以参考： 这个链接！！！！ 然后说
【MMDetection】训练自己的数据集
ghostype的博客
12-16 5804
MMDETECTION 使用步骤 建立voc数据集 下载预训练权重 建立mmdetection/checkpoints目录，下载对应的预训练权重, 权重文件连接 （1）configs对应网络里的README.md 进入后可以通过cfg文件验证对应的weight （2）https://mmdetection.readthedocs.io/zh_CN/v2.19.0/model_zoo.html#id2 修改配置文件 mmdet/core/evalution/class_names.py
mmdetection_1-环境安装mmdetection2.18.0
Yk_0311的博客
11-07 837
mmdetection_1-环境安装mmdetection2.18.0 安装mmdection2.18.0版本 官方安装步骤：https://github.com/open-mmlab/mmdetection/blob/master/docs/get_started.md 环境 操作系统：ubuntu20.04 显卡：3080Ti 显卡驱动版本：470.74 cuda：11.4 安装mmdetection 创建虚拟环境 conda create -n openmmlab python=3.7 -y co
mmdetection默认下载的预训练权重文件存在本地的位置
AIOT魔法师
11-22 958
mmdetection默认下载的预训练权重文件存在本地的位置
mmdection实例分割
最新发布
03-28
### MMDetection 实例分割使用教程 MMDetection 是一个强大的目标检测工具箱，支持多种任务，其中包括实例分割。以下是关于如何使用 MMDetection 进行实例分割的相关说明和示例代码。 #### 工具环境准备 为了运行 MMDetection 的实例分割功能，需要先完成必要的依赖项安装。具体步骤如下： 1. 安装 PyTorch 及其相关库。 2. 下载并安装 OpenMMLab 提供的 MMDetection 库[^3]。 ```bash pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection pip install -r requirements/build.txt pip install -e . ``` 其中 `{cu_version}` 和 `{torch_version}` 需要根据实际使用的 CUDA 版本和 PyTorch 版本来替换。 --- #### 示例代码：使用 SOLOv2 模型进行实例分割 SOLOv2 是一种先进的实例分割方法，在 MMDetection 中已经实现。下面展示了一个简单的推理过程，用于加载预训练模型并对图像执行实例分割操作。 ```python from mmdet.apis import init_detector, inference_detector import matplotlib.pyplot as plt # 加载配置文件和权重文件 config_file = 'configs/solov2/solov2_r50_fpn_8xb2-3x_coco.py' # 替换为本地路径 checkpoint_file = 'checkpoints/solov2_r50_fpn_8xb2-3x_coco.pth' # 替换为下载好的权重文件 # 初始化模型 model = init_detector(config_file, checkpoint_file, device='cuda:0') # 对一张图片进行推理 img_path = 'demo/demo.jpg' result = inference_detector(model, img_path) # 显示结果 plt.figure(figsize=(10, 6)) model.show_result(img_path, result, score_thr=0.3, show=True) ``` 上述代码展示了如何通过 `init_detector` 函数初始化模型，并调用 `inference_detector` 方法对指定图片进行预测。最后，利用 `show_result` 将结果显示出来。 --- #### 训练自定义数据集上的实例分割模型 如果希望在自己的数据集上训练 SOLOv2 或其他实例分割模型，则需按照以下步骤操作： 1. **准备数据集** 数据集应遵循 COCO 格式，包括标注文件（JSON 文件）和对应的图片目录结构。 2. **修改配置文件** 编辑现有的配置文件以适配新的数据集和超参数设置。例如，创建一个新的配置文件继承默认的 SOLOv2 配置。 ```python _base_ = './solov2_r50_fpn_8xb2-3x_coco.py' data_root = '/path/to/your/dataset/' train_pipeline = [ dict(type='LoadImageFromFile'), ... ] test_pipeline = [ dict(type='LoadImageFromFile'), ... ] data = dict( samples_per_gpu=2, workers_per_gpu=2, train=dict( type='CocoDataset', ann_file=data_root + 'annotations/train.json', img_prefix=data_root + 'images/', pipeline=train_pipeline), val=dict( type='CocoDataset', ann_file=data_root + 'annotations/val.json', img_prefix=data_root + 'images/', pipeline=test_pipeline)) optimizer = dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0001) lr_config = dict(step=[27, 33]) runner = dict(max_epochs=36) ``` 3. **启动训练脚本** ```bash python tools/train.py configs/custom_solov2.py --gpu-id 0 ``` 此命令会依据新配置文件中的设定来训练模型。 --- #### 常见问题解决 1. 如果遇到显存不足的情况，可以通过减少批量大小 (`samples_per_gpu`) 来缓解压力。 2. 若发现精度较低，可能是因为数据增强策略不够充分或者迭代次数较少所致，可适当增加训练轮数或调整学习率调度器。 ---
评论
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