配mmdetection

2024-04-02 23:36
文章标签 mmdetection

本文主要是介绍配mmdetection,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

总流程:

 

1. 安装conda

参考链接后面补上

列出可用的conda环境

conda env list

删除指定环境

conda remove --name myenv --all

创建并激活指定环境

conda create --name openmmlab python=3.8 -y
conda activate openmmlab

2. 装pytorch,版本别装错了(torch版本和cuda版本都要看)

torch版本和 

Start Locally | PyTorch用这里面的命令

nvcc --version看cuda版本(实验室服务器是11.0,可以用这个11.8的 )

检查torch和cuda版本的命令:

import torch 
# 查看 PyTorch 版本 
print("PyTorch version:", torch.__version__) 
# 检查是否可用 CUDA 
print("CUDA available:", torch.cuda.is_available())

命令行敲python,进入解释器,ctrl+d退出

除了cuda版本,还要关注torch版本,我在mmcv的官网(Installation — mmcv 2.1.0 documentation)看到这个

​​​​​​​

草了,重新下torch,找到torch历史版本。

Previous PyTorch Versions | PyTorch

下这个cuda11.0的。

3. 装别的

GET STARTED — MMDetection 3.3.0 documentation

配好了跑demo就是这样

这篇关于配mmdetection的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/871357

相关文章

mmdetection中的stages相关配置

⭐️ backbone.num_stages Number of stages of the backbone. 在深度学习中,“Number of stages of the backbone” 指的是模型主干网络(backbone)中分层的不同阶段或模块的数量。这通常与 卷积神经网络(CNN) 相关联,用于图像分类、目标检测、语义分割等任务。 具体解释 在深度学习模型中,backbon

手把手教你如何使用MMDetection训练自己的数据集

文章目录 一、配置环境1. 创建一个名为mmdetection的虚拟环境2. 安装GPU版本的PyTorch3. 安装mmdetection所需的包 二、下载源码并安装配置文件1. 下载 GitHub 上的mmdetection源码到本地2. 安装源码中的配置文件3. 配置成功 三、测试是否成功安装1. 下载配置文件和模型权重文件。2. 推理验证 四、数据集准备1. 准备好coco格式的数据

mmdetection使用未定义backbone训练

首先找到你需要用到的 backbone,一般有名的backbone 都会在github有相应的代码开源和预训练权重提供 本文以mobilenetv3 + fastercnn 作为举例,在mmdetection中并未提供 mobilenetv3,提供的仅有 mobilenetv2; 在github上找到 mobilenetv3 实现和权重,下载到本地;本文使用参考为:https://github.c

【MMdetection】2.自定义数据训练

1.废话 因为MMdetection里面提供了非常多的模型和配置文件供我们选择,这样做对比实验非常方便。 在标准数据集上训练预定义的模型 — MMDetection 3.3.0 文档 官方文档在此。 openMMlab提供了各种经典网络和配置文件系统使得MMdetection的上手难度有一点,不熟悉官方常规操作的小伙伴可能被各种各样的配置文件弄晕,这里总结网上一些优秀博主的博客和视频教程,

手把手教你MMDetection实战

论文下载地址:点击这里 本页提供有关MMDetection用法的基本教程。有关安装说明,请参阅INSTALL.md。 目录 预训练模型的推论训练模型有用的工具如何 预训练模型的推论 我们提供测试脚本以评估整个数据集(COCO,PASCAL VOC等),还提供一些高级api,以便更轻松地集成到其他项目。 名词解析 ${CONFIG_FILE}:代表着 config/里面文件的位置,比

场景文本检测识别学习 day10(MMdetection)

配置文件(config) 由于在大型项目中,一种模型需要分:tiny、small、big等很多种,而它们的区别主要在网络结构,数据的加载,训练策略等,且差别很多都很小,所以如果每个模型都手动从头写一份,很麻烦,为了方便,现在都是直接采用配置文件的形式来定义如yaml文件、py文件等 MMdetection的配置文件构成 在MMdection的配置文件中,我们根据字段来定义模型训练的各部分

利用MMDetection进行模型微调和权重初始化

目录 模型微调修改第一处:更少的训练回合Epoch修改第二处:更小的学习率Learning Rate修改第三处:使用预训练模型 权重初始化init_cfg 的使用配置初始化器 本文基于 MMDetection官方文档,对模型微调和权重初始化进行第三方讲解。 模型微调 在 COCO 数据集上预训练的检测器可以作为其他数据集优质的预训练模型。 微调超参数与默认的训练策略不

MMdetection在Featurize服务器运行时相关问题

写点闲话: 之前因为毕业,想写代码再也没有稳定的机子跑了,自己电脑有时候也带不动,所以开始使用Featurize,这里可以租一些显卡来用,价格总体来说对我们这种偶尔有大规模算力需求的打工人非常友好。使用方法也很简单,就是和使用linux一样。 因为Featurize的显卡环境相对固定,不存在每个人机子不一样的问题,配置环境这一步大家就可以放心抄作业了!(特别适用于只是为了拿这个做毕设的非计算机专

MMDetection目标检测框架推理与参数量计算

模型推理 在使用MMDetection框架完成训练后便可以使用训练所得的权重文件进行推理了,具体可以使用MMDetection文件下的demo文件夹的image_demo.py文件。 from argparse import ArgumentParserfrom mmengine.logging import print_logfrom mmdet.apis import DetInfer

【mmdetection安装】在线安装和离线安装

mmdetection安装 安装版本在线安装版离线安装版参考 记录mmdetection安装过程,网络环境好久就选择在线安装,记录离线安装是因为超算网络环境太恶劣… 安装版本 版本python3.10pytorch2.1.0(cuda11.8)mmcv2.1.0mmdetectiongit下载安装即可 在线安装版 虚拟环境: conda create -n mmdet