【MMDetection 源码解读之yolov3】Neck - FPN
前言 这部分接着前一篇文章 【MMDetection 源码解读 yolov3】Backbone - Darknet53 继续往后讲。搭建完了主干特征提取模块,接着就是搭建yolov3的特征融合模块,这部分yolov
前言 这部分接着前一篇文章 【MMDetection 源码解读 yolov3】Backbone - Darknet53 继续往后讲。搭建完了主干特征提取模块,接着就是搭建yolov3的特征融合模块,这部分yolov
from argparse import ArgumentParser import os from mmdet.apis import inference_detector, init_detector #, show_result_pyp
常用工具 1. 模型推理 官方的数据集推理格式: # single-gpu testing python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RE
pytorch: 1.9.0 torchvision: 0.10 mmdetection: 2.15.0 mmcv: 1.3.10 测试图片(图片大小:720x1280): 之前博主写过
在 COCO 数据集上预训练的检测器可以作为其他数据集(例如 CityScapes 和 KITTI 数据集)的良好预训练模型。本教程指导用户将Model Zoo 中提供的模型用于其他数据集以获得更好的性能。 在新数
使用自制数据集,格式为coco格式,数据集只有一类stone 训练的时候没问题,测试的时候有问题 报错提示如下 File "tools/test.py", line 231, in mainmetr
目录 环境配置: 安装步骤: 训练 在标准数据集上进行训练 在自己制作的数据集上进行训练 环境配置: cuda 10.2 python 3.7 torch 1.6.0 torchvisi
mmdetection中使用训练好的模型批量图片推理并保存到文件夹 # Copyright (c) OpenMMLab. All rights reserved. import asyncio import numpy as np from
代码的整体结构及每部分含义网络上已有很多资料,这里不再赘述。但网上很少见到对mmdetection代码设计模式的讲解,所以记录一下自己的理解,及快速修改代码的方式吧(以faster-rcn
本文主要是个人笔记,以后便于查询,也供借鉴。通常我们在mmdetection平台上就训练一类目标,训练过程中每跑完一个epoch就可以查看到该目标的0.5,0.75等阈值下的准确率