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 ...

YOLOP 训练+测试+模型评估