YOLOP 训练+测试+模型评估
文章目录
- 前言
- 一、环境搭建
- 二、测试
- 三、训练
- 3.1 下载数据集
- 3.2 在./lib/config/default.py中修改相关参数
- 四、模型评估
- 五、可能遇到的报错
- 5.1 测试视频报错 IndexError: boolean index did not match indexed array along dimension 0; dimension is 1536 but corresponding boolean dimension is 1440
- 5.2 训练报错 TypeError: can't pickle generator objects,EOFError: Ran out of input
- 5.3 调小batch_size后仍然RuntimeError: CUDA out of memory.
- 5.4 AttributeError: 'list' object has no attribute 'seek'. You can only torch.load from a file that is seekable. Please pre-load the data into a buffer like io.BytesIO and try to load from it
- 总结
前言
本文将详细介绍YOLOP 训练+测试+模型评估的过程和个人遇到的所有报错。
一、环境搭建
必要环境:Windows10+python3.7+CUDA10.1+CUDNN7.6.5
创建yolop虚拟环境
conda create -n yolo_p python=3.7
下载pytorch (pytorch版本>=1.7)
conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=10.1 -c pytorch
下载YOLOP源码
地址:https://github.com/hustvl/YOLOP安装所需要的依赖包
pip install -r requirements.txt
二、测试
- 运行
python tools/demo.py --source ./inference/videos/1.mp4
测试图片:–source 图片路径 (或存放图片的文件夹路径)
测试视频:–source 视频路径 (或存放视频的文件夹路径)
相机实时:–source 0
默认用cpu测试效果,如果想改成gpu,修改demo.py 198行如下。
效果如下:
三、训练
3.1 下载数据集
下载检测任务图片:
https://bdd-data.berkeley.edu/portal.html#download下载检测任务标签:
https://drive.google.com/file/d/1Ge-R8NTxG1eqd4zbryFo-1Uonuh0Nxyl/view下载可行驶区域分割任务标签:
https://drive.google.com/file/d/1xy_DhUZRHR8yrZG3OwTQAHhYTnXn7URv/view下载车道线分割任务标签:
https://drive.google.com/file/d/1lDNTPIQj_YLNZVkksKM25CvCHuquJ8AP/view数据集结构
这里为了方便我自己划分了部分数据集进行训练
下载地址:
链接:https://pan.baidu.com/s/1XixhZtU3nNfxKLvV3RZqGQ
提取码:ed8n
3.2 在./lib/config/default.py中修改相关参数
修改第九行
_C.WORKERS = 0
修改96行,121行
_C.TRAIN.BATCH_SIZE_PER_GPU
为合适大小(博主电脑比较菜这里填的1)
根据注释修改53-56行路径
运行
python tools/train.py
开始训练
四、模型评估
- 运行
python tools/test.py --weights weights/End-to-end.pth
五、可能遇到的报错
5.1 测试视频报错 IndexError: boolean index did not match indexed array along dimension 0; dimension is 1536 but corresponding boolean dimension is 1440
解决方案:
在tools/demo.py 128行前加入如下代码
img_det=cv2.resize(img_det,(da_seg_mask.shape[1],da_seg_mask.shape[0]) ,interpolation=cv2.INTER_AREA)
删除./lib/utils/plot.py 第60行的resize
在demo.py 148行下加入如下代码,运行demo.py查看效果
cv2.namedWindow("test", cv2.WINDOW_NORMAL) cv2.resizeWindow("test", int(img_det.shape[1] * 0.5), int(img_det.shape[0] * 0.5)) cv2.imshow("test", img_det) cv2.waitKey(30)
效果:
5.2 训练报错 TypeError: can’t pickle generator objects,EOFError: Ran out of input
解决方案:
- 修改./lib/config/default.py第九行_C.WORKERS = 0
5.3 调小batch_size后仍然RuntimeError: CUDA out of memory.
解决方案:
- 修改./lib/config/default.py第19行_C.CUDNN.BENCHMARK = False
5.4 AttributeError: ‘list’ object has no attribute ‘seek’. You can only torch.load from a file that is seekable. Please pre-load the data into a buffer like io.BytesIO and try to load from it
解决方案
- 暴力删除test.py39行的nargs=’+’
总结
困,想睡觉
有什么问题,欢迎评论区交流!
学习交流群:995760755
YOLOP 训练+测试+模型评估相关推荐
- pytorch实现resnet50(训练+测试+模型转换)
本章使用pytorch训练resnet50,使用cifar数据集. 数据集: 代码工程: 1.train.py import torch from torch import nn, optim imp ...
- tensorflow实现resnet50(训练+测试+模型转换)
本章使用tensorflow训练resnet50,使用手写数字图片作为数据集. 数据集: 代码工程: 1.train.py import argparse import cv2 import tens ...
- 第六课.模型评估与模型选择
目录 导语 模型评估 回归任务的评估指标 分类任务的评估指标 过拟合现象 过拟合的原因 过拟合解决办法 模型选择与调整超参数 正则化 留出法 交叉验证 网格搜索 实验:线性回归预测股票走势 实验说明 ...
- 我参加第七届NVIDIA Sky Hackathon——训练CV模型
如何从0开始训练自己的CV模型 第一步 配置基本环境(在上一篇已经配置了我参加第七届NVIDIA Sky Hackathon--训练ASR模型 ) 第二步 利用labelimg制作图像数据集 第三步 ...
- 人工智能概述、人工智能发展历程、人工智能主要分支、机器学习工作流程、完整机器学习项目的流程、机器学习算法分类、独立同分布、模型评估、深度学习简介
日萌社 人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 1.1 人工智能概述 1 人工智能应用场景 2 人工智能小案例 ...
- Python数据分析-数据挖掘(准备数据——数据建模——模型评估——模型应用)
20 理解业务和数据:我们需要做好什么计划?_哔哩哔哩_bilibili 目录 一.理解业务和数据:我们需要做好什么计划? 1.1两个思想问题 1.2为什么数据挖掘不是万能的 1.3业务背景与目标 1 ...
- 模型评估与模型选择(训练误差和测试误差+过拟合)| 15mins 入门 | 《统计学习方法》学习笔记(四)
模型评估与模型选择 当损失函数给定时,基于损失函数的模型的训练误差(training error)和模型的测试误差(test error)就自然成为学习方法评估的标准. 训练误差的大小,对判定给定的问 ...
- 通过交叉验证(Cross Validation)KFold绘制ROC曲线并选出最优模型进行模型评估、测试、包含分类指标、校准曲线、混淆矩阵等
通过交叉验证(Cross Validation,CV)KFold绘制ROC曲线并选出最优模型进行模型评估.测试.包含分类指标.校准曲线.混淆矩阵等 Cross Validation cross val ...
- python训练模型测试模型_python 机器学习中模型评估和调参
在做数据处理时,需要用到不同的手法,如特征标准化,主成分分析,等等会重复用到某些参数,sklearn中提供了管道,可以一次性的解决该问题 先展示先通常的做法 import pandas as pd f ...
最新文章
- php路径设置,php进行数据库路径设置的方法
- Python -二维数组定义
- Android 百度地图开发(一)--- 申请API Key和在项目中显示百度地图
- 怎样才能快速批量绑定MAC与IP地址(图)
- 前端面试instanceof_一起回归一下每日一题这些经典面试题
- python源码编译 mingw_使用mingw32 在windows python26 下编译安装4suite-xml
- Windows 10 版本信息
- http 请求头和响应头
- php中计算时间差的几种方法,PHP 中计算时间差的几种方法
- C#中datagirdview表头变换
- wso2 ei 6.4.0安装笔记
- 如何在 Mac 上映射网络驱动器
- 联想微型计算机q190怎么拆,联想q190迷你小主机上网怎?
- TJX公司:一家不但股价便宜,产品价格也非常便宜的美国低价零售商
- iOS设备 历代 机型对照表
- Spring Boot 对基础 Web 开发的支持(下)2-2
- 基于FPGA的频率计
- 从市场应用角度上来划分,云可分为文件云、应用云、手机云和开放云
- json stm8s103 解析_基于STM8的ADC读取---STM8-第四章
- [转载]我在摩根士丹利的实习岁月