detectron

近期，安装pytorch入了很多坑，清华的镜像源不能用，这就很烦人了。我尝试了很多种，中科大源也尝试了，但是 还是不行。后来呢，我就去尝试离线安装，最开始在清华的镜像网下载的离线安装包，用conda命令安装后出现了caffe2_detectron_ops_gpu.dll模块加载不了或者缺少依赖项。（这个问题我查了1整天，见到过几个这个问题，但是由于人家用的是Mac的系统，我就更难受了）最后，我去官网下载的对应版本的离线安装包，然后就安装成功了。（忒棒嘞）详细步骤如下： 1、在安装GPU版本pytorch之前先安装对应版本的CUDA和CUDNN （详细安装见我的CUDA和CUDNN的安装文章 https://blog.csdn.net/wobushizhainanyu/article/details/107736090 ） 2、去pytorch官网找到对应要安装的版本 https://pytorch.org/ 复制对应版本的后边的那个链接，浏览器打开 3、打开上述链接后找到对应版本的包下载torch和torchvision版本需要对应，例如我的 4、然后打开命令行 cd切换目录至上述两个包所下载的位置 然后pip安装就可以 5、验证pytorch安装成功，输入下图命令，如下图的话就成功了 如何验证是否成功，我也是参考了众多的文章，然后自己尝试了一下。小白安装不易

作者|facebookresearch 编译|Flin 来源|Github 评估 评估是一个过程,需要多个输入/输出对并进行汇总。你始终可以直接使用模型,而只是手动解析其输入/输出以执行评估。或者,可以使用DatasetEvaluator 接口在detectron2中实现评估。 接口。 直接使用模型： https://detectron2.readthedocs.io/tutorials/models.html DatasetEvaluator: https://detectron2.readthedocs.io/modules/evaluation.html#detectron2.evaluation.DatasetEvaluator ) Detectron2包括一些 DatasetEvaluator 使用标准数据集特定的API(例如COCO,LVIS)来计算指标的工具。你还可以实现自己的 DatasetEvaluator ,它使用输入/输出对来实现自己的其他一些工作。例如,要计算在验证集上检测到多少个实例： class Counter(DatasetEvaluator): def reset(self): self.count = 0 def process(self, inputs, outputs): for output in outputs: self.count +=

作者|facebookresearch 编译|Flin 来源|Github 使用配置 Detectron2的配置系统使用yaml和yacs( https://github.com/rbgirshick/yacs )。 除了访问和更新配置的基本操作外,我们还提供以下额外功能： 配置中可以包含" BASE ：base.yaml"字段,该字段将首先加载基本配置。如果存在任何冲突,则基本配置中的值将在子配置中被覆盖。我们为标准模型架构提供了一些基本配置。 我们提供配置版本控制,以实现向后兼容。如果你的配置文件使用诸如"VERSION：2"之类的配置行进行了版本控制,即使我们将来重命​​名某些密钥,detectron2仍会识别它。 使用配置 CfgNode对象的一些基本用法如下所示： from detectron2.config import get_cfg cfg = get_cfg()#获取detectron2的默认配置 cfg.xxx = yyy#为你自己的自定义组件添加新配置 cfg.merge_from_file("my_cfg.yaml")#从文件加载值 cfg.merge_from_list(["MODEL.WEIGHTS","weights.pth"])#也可以从str列表中加载值 print(cfg.dump())#打印格式化的配置

(原创声明，转载引用需要指明来源) https://study.163.com/course/courseMain.htm?courseId=1006383008&share=2&shareId=400000000398149 （博主录制） 1.python创始人和发展史 Python编程语言创始人是Guido van Rossum，于1989年底在荷兰国家数学和计算机科学研究所设计出来。Python至今已有31年历史，流行全球，适用于初学者作为第一门编程语言学习。Python最显著特点就是简单，有用，强大，之后会详细介绍。 据说Python这个名字的灵感来自于英国喜剧团体 Monty Python。 2 python特征非常强大 Python在全球大流行的原因很多，主要有以下特征： (1) 易于阅读：Python代码量小，结构化突出，语法约束较少，定义清晰，有详细注解说明。阅读一个良好的 Python 程序就感觉像是在读英语一样，python使你能够专注于解决问题而不是去搞明白语言本身。 (2) 易于学习：相比C语言和Java，Python不过于强调语法，结构简单，语法定义明确，学习起来更加简单。 (3) 无编程经验也可学习：python可作为初学者第一门编程语言学习。无编程经验也可快速学会python。 (4) 适用各类人群和职业：无论学生，老师

作者|facebookresearch 编译|Flin 来源|Github 使用模型 detectron2中的模型(及其子模型)由函数,例如 build_model , build_backbone , build_roi_heads 构成： from detectron2.modeling import build_model model = build_model(cfg) #返回torch.nn.Module 注意, build_model 仅构建模型结构,并用随机参数填充它。要将现有检查点加载到模型,请使用 DetectionCheckpointer(model).load(file_path) 。Detectron2可以识别pytorch .pth 格式的模型,以及我们model zoo中的 .pkl 文件。 你可以通过 outputs = model(inputs) 使用模型。接下来,我们解释一下detectron2中内置模型使用的输入/输出格式。 DefaultPredictor( https://detectron2.readthedocs.io/modules/engine.html#detectron2.engine.defaults.DefaultPredictor ) 是模型的包装,提供常规推断的默认行为。它包括模型加载和预处理,并且对单个图像进行操作

​ Trainer解析 我们继续 Detectron2代码阅读笔记-(一) 中的内容。 上图画出了 detectron2 文件夹中的三个子文件夹( tools,config,engine )之间的关系。那么剩下的文件夹又是如何起作用的呢？ def main(args): cfg = setup(args) if args.eval_only: ... trainer = Trainer(cfg) trainer.resume_or_load(resume=args.resume) if cfg.TEST.AUG.ENABLED: trainer.register_hooks( [hooks.EvalHook(0, lambda: trainer.test_with_TTA(cfg, trainer.model))] ) return trainer.train() build_*方法 我们从 trainer = Trainer(cfg) 开始进一步了解。 Detectron2代码阅读笔记-(一) 中已经提到过一连串的Trainer的继承关系如下： tools.train_net.Trainer->detectron2.engine.default.DefaultTrainer->detectron2.engine.train_loop.SimpleTrainer-