pytorch学习：运行Mask R-CNN例程
目录
1 学习pytorch进行图像处理的四个必用链接：
2 运行Mask R-CNN例程时的问题点
2.1 在哪儿下载 engine.py transforms.py utils.py?
Github下载xxx.py文件的方法
2.2 安装pycocotools
2.3 手动输入代码时出现的一些问题
2.4 CPU模式下运行代码的小BUG
3 个人对于tensorflow caffe pytorch的浅显体会
1 学习pytorch进行图像处理的四个必用链接：
先附上pytorch的中文和英文版教程链接，Pytorch API手册，以及github图像库链接：
中文：http://pytorch123.com/
英文：https://pytorch.org/tutorials/index.html
API:https://pytorch.org/docs/stable/index.html
vision:https://github.com/pytorch/vision
2 运行Mask R-CNN例程时的问题点
学习Pytorch中，在windows下运行教程中的例子，发现还有一些地方存在不明白的，现总结如下。
2.1 在哪儿下载 engine.py transforms.py utils.py?
教程里没有给出链接，是在github上pytorch的torchvision repository里面：
https://github.com/pytorch/vision/tree/master/references/detection
当然，运行的时候还是会提示各种错误，那是因为一些依赖的.py没有，依然可以从上面的链接中找到，特别的：
coco_utils.py coco_eval.py
将上述.py都下载下来，拷贝到例程所在的文件夹下。
话说如何下载？之前我没有github账号的时候，右边都有clone download的按钮，现在登录了，却没有了下载的按钮，或者它就没有打包。。。百度后发现了下载的方法：
Github下载xxx.py文件的方法
点开需要下载的那个.py文件，然后代码的右上角有个“Raw”的标签，右键->链接保存为 ,,即可下载了。
再运行，就会出现终极错误。找不到pycocotools，请继续步骤2
2.2 安装pycocotools
直接pip install pycocotools是会报错的，参考下面链接的方法：
https://blog.csdn.net/u012128777/article/details/100973199?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
发现没有git，然后又参考 https://blog.csdn.net/qq_32786873/article/details/80570783 进行安装，但是github很不稳定，网速很慢，就在csdn上搜了一个需要积分的下载下来，40多M。安装好后，添加环境变量，然后在之前的cmd里面执行git --version，提示依然没有git。
好像是没有更新吧，关闭命令行窗口，重新打开后，git就出现了！然后按照刚才的链接，开始下载pycocotools。我是等了好一会儿，才安装好。
2.3 手动输入代码时出现的一些问题
由于代码是我手动输入的，出现了很多小错误。
在编写PennFudanDataset时，方法__getitem__函数忘记添加 return：
在PennFudanDataset里，masks误写为mask
写完最后一个main方法后，没有添加执行 main：
以及出现这种错误：
RuntimeError: Given transposed=1, weight of size 1024 256 2 2, expected input[78, 256, 14, 14] to have 1024 channels, but got 256 channels instead
有一种说法是没有将图像转化为“RGB’，查看代码后发现已经转化了，那问题在哪儿呢？
很明显是该层的输入通道与实际得到的通道数不匹配，再次检测代码，是这里错了，
model.roi_heads.mask_predictor = MaskRCNNPredictor(in_features,hidden_layer,num_classes)是输入特征数错了，改成in_features_mask，一切就OK啦
in_features_mask = model.roi_heads.mask_predictor.conv5_mask.in_channels2.4 CPU模式下运行代码的小BUG
发现了一个小bug，这个代码本意是想能在GPU和CPU上都兼容运行的，但是个人认为作者仅在GPU上跑通，CPU上运行很慢，而且在evaluate()的时候会报错。
engine.py的86行：
torch.cuda.synchronize()
这句话就默认了当前是GPU模式，没有GPU的话这里就报错了，因此，个人给添加了一句话：
if torch.cuda.is_available():torch.cuda.synchronize()
这样在没有GPU的时候，bypass了CUDA同步的操作。问题解决！下面是evaluate的运行结果：
Test: [ 0/50] eta: 0:13:53 model_time: 16.3845 (16.3845) evaluator_time: 0.2324 (0.2324) time: 16.6657 data: 0.0489
Test: [49/50] eta: 0:00:13 model_time: 13.2440 (13.5054) evaluator_time: 0.1157 (0.1208) time: 14.0909 data: 0.0177
Test: Total time: 0:11:22 (13.6521 s / it)
Averaged stats: model_time: 13.2440 (13.5054) evaluator_time: 0.1157 (0.1208)
Accumulating evaluation results...
DONE (t=0.06s).
Accumulating evaluation results...
DONE (t=0.04s).
IoU metric: bbox
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.001
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.008
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.005
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.001
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.010
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.136
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.060
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.144
IoU metric: segm
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.000
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.000
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.017
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.020
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.017
3 个人对于tensorflow caffe pytorch的浅显体会
总结一下学习Pytorch的体会：
1. 与python原生风格贴合紧密，用起来很顺手，就像numpy一样。
2.与tensorflow相比，可以及时调试，发现问题，不像tensorflow那样，虽然有eger模式，但还是不习惯那种with session，更不习惯花大力气去维护变量，要知道起名还是很难为人的，虽然tensorflow有slim版本，但是在也不愿意去委屈自己，天天升级习惯。
3.跟caffe比起来，pytorch简直是明了许多，不用再去看好几千行的caffemodel文件了，改一个模型，名字就得换半天，太焦心了，而且还得使用各种shell命令去训练和评估模型。特别的，使用这个脚本from engine import train_one_epoch, evaluate，可以使用简单的几行代码进行训练，特别方便。
4.pytorch将神经网络的主体规范化，做到十分明了。而最让人头疼的数据集加载方面，还是比较出色的，用python的风格来加载数据，入手很快，也容易理解，debug模式很容易找到问题所在。
总之，在简单使用了三个流行的深度学习平台后，很推荐新手使用pytorch入门。
pytorch学习：运行Mask R-CNN例程相关推荐
- PyTorch学习（八）CNN手写体识别
本节将介绍利用CNN进行手写体识别 首先呢,我们需要下载数据来进行训练.下载的代码如下: 注意:数据集下载一次就好, DOWNLOAD_MNIST = Truetrain_data=torchvisi ...
- 【从线性回归到 卷积神经网络CNN 循环神经网络RNN Pytorch 学习笔记 目录整合 源码解读 B站刘二大人 绪论（0/10）】
深度学习 Pytorch 学习笔记 目录整合 数学推导与源码详解 B站刘二大人 目录传送门: 线性模型 Linear-Model 数学原理分析以及源码详解 深度学习 Pytorch笔记 B站刘二大人( ...
- pytorch学习笔记（2）：在MNIST上实现一个CNN
参考文档:https://mp.weixin.qq.com/s/1TtPWYqVkj2Gaa-3QrEG1A 这篇文章是在一个大家经常见到的数据集 MNIST 上实现一个简单的 CNN.我们会基于上一 ...
- 使用Win10系统在R中加载TensorFlow-gup加快深度学习运行之攻略
弗朗索瓦.肖莱著<深度学习R语言版>说,用CUP进行深度学习运算可能需要数小时,但用GPU可能只要几分钟.不过,该书只叙述了在Ubuntu下安装GUP的方法,不推荐Windows下使用Te ...
- 深度学习入门之PyTorch学习笔记：多层全连接网络
深度学习入门之PyTorch学习笔记 绪论 1 深度学习介绍 2 深度学习框架 3 多层全连接网络 3.1 PyTorch基础 3.2 线性模型 3.2.1 问题介绍 3.2.2 一维线性回归 3.2 ...
- 系统学习深度学习（四） --CNN原理，推导及实现源码分析
之前看机器学习中,多层感知器部分,提到可以在设计多层感知器时,对NN的结构设计优化,例如结构化设计和权重共享,当时还没了解深度学习,现在看到CNN,原来CNN就是这方面的一个代表.CNN由纽约大学的Y ...
- Ubuntu16.06 单Nvidia显卡 深度学习运行时 界面卡顿（刷新慢）的解决方法
关于Ubuntu单Nvidia显卡 深度学习运行时 界面卡顿(刷新慢)的解决方法 背景 我在按照 本链接 的第二种方法安装后,成功安装cuda 10.0与cudnn之后,在深度学习训练过程中发现了严重 ...
- 莫烦---Pytorch学习
今天翻翻资料,发现有些地方的说明不太到位,修改过来了. Will Yip 2020.7.29 莫烦大神Pytorch -->> 学习视频地址 2020年开年就遇上疫情,还不能上学,有够难受 ...
- Pytorch学习记录-torchtext和Pytorch的实例（ 使用神经网络训练Seq2Seq代码）
Pytorch学习记录-torchtext和Pytorch的实例1 0. PyTorch Seq2Seq项目介绍 1. 使用神经网络训练Seq2Seq 1.1 简介,对论文中公式的解读 1.2 数据预 ...
最新文章
- YOLOv4团队开源最新力作！1774fps、COCO最高精度，分别适合高低端GPU的YOLO
- [OS复习]操作系统综述2
- 语言题库体型判断问题_1000道Python题库系列分享20（43道填空与判断题）
- 3ds Max 2018 在安装后无法启动或出现不稳定
- collection转换为list_JAVA 集合 接口继承关系和实现，List，Set，Map（总结）
- 阿里巴巴开源通用机器学习算法平台Alink
- POI EXCEL读取 性能问题
- Theano2.1.10-基础知识之循环
- 计算指定人数班级的班级平均成绩（计数器控制控制的循环）
- iOS开发中遇到的一些优化手段（即时更新）
- SVN提交文件冲突怎么办？
- Ubuntu20.04 添加打印机
- Win11更改系统文件夹的默认保存位置方法分享
- 苏州企业如何识别不良商标代理机构
- linux应用层读写event,Linux应用层获取鼠标坐标
- 报错 Missing number, treated as zero. \begin{subfigure}{0.24\linewidth}？怎么解决
- 百度网盘批量重命名文件免费脚本---2020.07
- 计算机重命名后sql实例名称修改_离水的鱼_新浪博客
- Python解压所有压缩包到同一文件夹下
- 计算机内存的安装方法,笔记本电脑内存安装方法是什么