MMLab:UnicodeDecodeError: ‘utf-8‘ codec can‘t decode...

此篇博客详细探讨了在使用mmsegmentation进行训练时遇到的UnicodeDecodeError,重点在于如何定位并解决编码问题,通过注释环境收集函数来避免该错误,确保代码的顺利运行。

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

Traceback (most recent call last):
  File "D:/Project/mmsegmentation-0.20.2/mmsegmentation-0.20.2/tools/train.py", line 210, in <module>
    main()
  File "D:/Project/mmsegmentation-0.20.2/mmsegmentation-0.20.2/tools/train.py", line 146, in main
    env_info_dict = collect_env()
  File "D:\Project\mmsegmentation-0.20.2\mmsegmentation-0.20.2\mmseg\utils\collect_env.py", line 10, in collect_env
    env_info = collect_base_env()
  File "D:\anaconda\envs\pytorch\lib\site-packages\mmcv\utils\env.py", line 91, in collect_env
    env_info['MSVC'] = cc.decode(encoding).partition('\n')[0].strip()
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd3 in position 0: invalid continuation byte

Process finished with exit code 1

收集环境函数不重要,可以注释掉相应的调用。

### OpenMMLab 中 ResNet50 v1c 模型介绍 ResNet50 是一种经典的卷积神经网络架构,在图像分类任务上表现出色。在 OpenMMLab 的 mmclassification 库中,提供了多种版本的 ResNet 模型实现,其中包括 ResNet50_v1c 版本[^1]。 #### 主要特点 - **改进的初始化策略**:v1c 表示使用了特定的初始化方法来提升模型性能。 - **标准化层位置调整**:相较于标准版 ResNet50,v1c 将 Batch Normalization 层放置在激活函数之后,有助于提高收敛速度和最终精度。 - **预训练权重支持**:可以直接加载官方提供的已训练好参数 `resnet50_model.pth` 进行迁移学习或微调操作。 ### 使用方法 为了方便开发者快速上手并应用此模型,以下是具体的操作指南: #### 安装依赖环境 首先需安装 PythonPyTorch 环境,并通过 pip 工具安装必要的包: ```bash pip install openmim mim install mmcv-full git clone https://github.com/open-mmlab/mmclassification.git cd mmclassification pip install -e . ``` #### 下载配置文件与预训练模型 访问 GitHub 上对应的项目页面获取最新的配置模板以及预先训练完成的权重量子化文件: ```bash wget https://download.openmmlab.com/classification/resnet/resnet50_batch256_imagenet_20200708-cfb9bcf5.pth ``` #### 加载模型实例化对象 利用 MMSegmentation 提供的功能接口轻松创建所需类型的 CNN 架构实例: ```python from mmcls.models import build_classifier import torch config_file = &#39;configs/resnet/resnet50_b32x8_imagenet.py&#39; checkpoint_path = &#39;./resnet50_batch256_imagenet_20200708-cfb9bcf5.pth&#39; model = build_classifier(dict(type=&#39;ImageClassifier&#39;, backbone=dict( type=&#39;ResNet&#39;, depth=50, num_stages=4, out_indices=(3,), style=&#39;pytorch&#39;))) # Load pretrained weights into the model. load_checkpoint(model, checkpoint_path) device = torch.device(&#39;cuda&#39; if torch.cuda.is_available() else &#39;cpu&#39;) model.to(device).eval() ``` 上述代码展示了如何基于给定路径读取配置信息构建一个 Image Classifier 类的对象,并将其设置为评估模式以便后续推理预测工作[^3]。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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