实验日志——DETR

已于 2024-12-06 11:27:14 修改
阅读量466 收藏 7
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 实验日志 文章标签： 实验日志
于 2024-12-05 16:43:58 首次发布
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.csdn.net/luralying/article/details/144268918

DETR训练日志

1. 代码来源

代码源自作者的Github: https://github.com/facebookresearch/detr?tab=readme-ov-file

2. 数据来源

在DETR中只使用了COCO2017数据集，其中训练集有118288张图像，验证集有5001张数据，测试集有40671张数据，训练集、验证集以及测试集的比例是72% : 3% : 25%。标签格式是.json格式。

3. 环境配置

在这里插入图片描述
pytorch安装：我的cuda版本是11.8，代码的官网要求pytorch是1.5+，我选择的是2.0.0版本的pytorch.

#安装命令如下
pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0
最低0.47元/天 解锁文章

200万优质内容无限畅学
【RT-DETR有效改进】计算训练好权重文件对应的FPS、推理每张图片的平均时间（科研必备）
Snu77的博客
02-07 2887
本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS，同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）下面是效果图和文
title2
最新发布
AI天才研究院
04-29 721
随着深度学习在序列建模、图像理解、跨模态任务中的广泛应用，传统神经网络在处理长距离依赖和动态特征选择时的效率瓶颈日益凸显。注意力机制（Attention Mechanism）作为突破这一瓶颈的关键技术，通过模拟人类视觉注意力的聚焦机制，实现对输入数据关键信息的动态加权聚合。本文旨在从原理剖析、算法实现、工程应用三个维度，构建完整的注意力机制知识体系，覆盖基础概念、核心算法、实战案例及前沿趋势，适用于从入门到进阶的技术人员。背景部分定义核心术语并建立知识坐标系核心概念层解析注意力机制的数学本质与架构演化。
DETR训练自己的数据集
cc__cc__的博客
12-04 1万+
github地址：https://github.com/facebookresearch/detr 1.创建conda环境 推荐通过conda创建虚拟环境，具体操作可见linux系统下创建anaconda新环境及问题解决 2.clone代码并安装依赖库 git clone https://github.com/facebookresearch/detr.git conda install -c pytorch pytorch torchvision conda install cython scipy.
DETR训练自己的数据集（少走弯路版）
qq_52422697的博客
11-21 2984
跑DETR踩坑，所以写了一下
记录一下：DETR训练自制VOC转COCO数据集的过程
skirtqun的博客
10-12 1491
VOC转COCO数据集；
DINO-DETR在COCO缩减数据集上实验结果分析
pengxiang1998的博客
03-27 1462
博主在进行DINO-DETR模型实验时，使用缩减后的COCO数据集进行训练，发现其mAP值只能达到0.27作用，故而修改了下pycocotool的代码，令其输出每个类别的AP值，来看看是由于什么原因导致这个问题。首先在我们缩小的COCO数据集上，尽管car的标注较多，但目标都较小，而且存在很大程度的遮挡。上述实验结果首先证明了博主的猜想，即各个类别的AP值是不同的，也就说明其并非是对所有类别信息都有一个较好的结果。对应car，bus，truck为：0.49，0.72，0.42，map值为0.54。
【DETR】DETR训练VOC数据集/自己的数据集
capsule的博客
01-03 9972
DETR训练VOC数据集
使用DETR模型训练自己的数据集过程记录
weixin_43788752的博客
04-13 4620
利用DETR模型训练自己数据集的过程记录（使用linux环境）
Demable-DETR部署及训练个人数据集
m0_71510432的博客
11-20 2245
使用defoemable-detr训练自己的模型，我的数据集是对飞机类别进行目标检测分类，虽然跑的通，但是效果很不好。因为是初学者具体什么原因我也不太清楚，自己摸索了几天还是比较棘手的，只会用，里面的原理，代码部分基本看不懂。观察训练日志文件，损失值是在下降，但是train_class_error错误率还是很高，个人感觉数据集过少的原因。
【mmdetection】使用自定义的coco格式数据集进行训练及测试
热门推荐
YeeKo的博客
05-27 3万+
目录一、mmdetection简介二、环境安装1、安装教程2、运行demo测试环境是否安装成功三、训练自定义的dataset1、准备dataset2、Training前修改相关文件3、Training4、Testing 一、mmdetection简介 项目仓库地址：https://github.com/open-mmlab/mmdetection 香港中文大学-商汤科技联合实验室开源了基于 PyT...
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（附matlab代码实现）
qq_36130719的博客
01-13 4975
现有的小目标定义方式主要分为以下两类，即基于相对尺度的定义与基于绝对尺度的定义。(1)基于相对尺度即从目标与图像的相对比例这一角度考虑来对小目标进行定义。Chen[1]等对小目标做了如下定义：同一类别中所有目标实例的相对面积，即边界框面积与图像面积之比的中位数在0.08%~0.58%之间。除此以外，较为常见的还有以下几种：①目标边界框的宽高与图像的宽高比例小于一定值，较为通用的比例值为0.1；②目标边界框面积与图像面积的比值开方小于一定值，较为通用的值为0.03；
CO-DETR利用coco数据集训练和推理过程
m0_52695557的博客
06-28 4440
环境：PyTorch 1.11.0 Python 3.8(ubuntu20.04) Cuda 11.3先是在github上下载CO-DETR模型!然后加载所需库!安装mmcv等（注意mmcv应该是1.6.1版本及以上）!!!因为出现了mmdetection 报错 TypeError: FormatCode() got an unexpected keyword argument ‘verify‘问题，用一下方案解决： yapf版本过高，目前版本为 0.40.2，重装低版本yapf即可!!
DETR类模型COCO训练结果异常，评测AP=0解决方案记录
qq_36396406的博客
12-13 2848
接着我想到了我在coco_minitrain上只实验过1enc+4dec与3enc+6dec的缩水版模型（为了快速验证，hidden_dim与num_query均也有相应调小），于是猜测是不是完整的6enc+6dec难收敛的问题，于是我将1enc+4dec与3enc+6dec在完整COCO上实验，发现能得到正常的结果。因为之前的1enc+4dec与3enc+6dec的缩水版模型的参数量相对较小，我将其bs分别调整为8与4，对于3080TI 12G，这刚好能卡到显存上限。由此看来，bs似乎就是那个罪魁祸首。
搞定系列：DETR训练自己的目标检测数据集ubuntu版
05-29
       本课程主要以ubuntu为环境基础，为大家讲解如何在ubuntu上训练自己的DETR目标检测数据集模型，主要包括ubuntu上显卡驱动安装，cuda+cudnn安装，anaconda3安装，labelImg安装,DETR环境安装。        本课程主要以实践为基础，理论问辅。注重讲解DETR目标检测训练的流程以及如何测试自己训练好的模型，并提供了预测类的代码和转换数据集的代码，使得同学们在本课中可以提高获得训练模型效率和训练周期。        学习本课程需要大家准备好一个Ubuntu18.04系统环境，如果其他版本ubuntu系统也可以，然后就是需要环境是带有英伟达显卡，不建议使用虚拟机训练自己模型。        请注意，本课程是对DETR进行目标检测训练流程讲解，不对DETR分割模型训练进行讲解。如果您需要分割模型则不适宜学习本课程。 
DETR训练自己的数据集，yolo数据集格式转为coco数据集格式
qq_41226186的博客
09-22 1214
其中，checkpoint.pth即为训练完成权重；log.txt为训练记录内容，coco_path：数据集路径，改为上述 save_coco_path 路径。output_dir：训练结果保存路径，eg：runs/result1。进入detr/main.py编辑get_args_parser()在runs/result1目录下会生成以下文件/文件夹。且train、val下的图片数据从0开始编号。执行完上述代码后，会自动创建路径。运行后终端开始打印结果。
DETR目标检测模型训练自己的数据集
mw的博客
07-22 3574
DETR的核心思想是将目标检测任务视为一个直接的集合预测问题，而不是传统的两步或多步预测问题。这种方法的创新之处在于它直接预测目标的类别和边界框，而不是先生成大量的候选区域，然后再对这些区域进行分类和边界框回归。
DETR实现目标检测(一)-训练自己的数据集
Trisyp的博客
06-13 7359
DETR实现目标检测(一)-训练自己的数据集
使用DETR 训练VOC数据集和自己的数据集
githubcurry
12-18 1328
DETR用的是的数据集。LabelimgCOCO数据集的格式类似这样，annotations文件夹里面有对应的train、val数据集的json文件。train2017则是训练集图片，其他同理。VOC数据集的存放方式是这样的，转换格式就是找出Main文件夹下用于目标检测的图片。Main文件夹下有train.txt文件，记录了训练集的图片。val.txt记录了验证集的图片只需要修改注释中的两个路径即可（创建文件夹时没有加判断语句严谨一点应该加上）。
如何用DETR（detection transformer）训练自己的数据集
weixin_50233398的博客
12-08 3万+
DETR(detection transformer)简介 DETR是Facebook AI的研究者提出的Transformer的视觉版本，是CNN和transformer的融合，实现了端到端的预测，主要用于目标检测和全景分割。 DETR的Github地址：link
rt——detr复现
02-28
#### 配置实验环境 创建一个新的虚拟环境来隔离项目的依赖关系： ```bash conda create -n rt-detr python=3.8 conda activate rt-detr ``` 随后克隆官方仓库或对应的实现代码库，并进入该目录下执行安装命令: ``...
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