soloV2保姆级教程（含环境配置，训练自己的数据集，代码逻辑分析等。能踩得坑都踩了....）更新ing

首先放上开源代码链接：GitHub - WXinlong/SOLO: SOLO and SOLOv2 for instance segmentation, ECCV 2020 & NeurIPS 2020.一.运行代码因为我们这个项目精度比较重要，所以我下载了精度最高的模型：SOLOv2_X101_DCN_3x首先先配置环境，我选择利用pytorch新建了一个conda python3.6

长方形混凝土瞬间移动师

12849人浏览 · 2022-01-15 14:20:48

长方形混凝土瞬间移动师 · 2022-01-15 14:20:48 发布

序言

环境：ubuntu18.04 cuda11.1 显卡3050 pytorch1.9

一、安装detection2

detectron2/INSTALL.md at main · facebookresearch/detectron2 · GitHub

（1）建议不要用最新的pytorch（当前最新1.10）

（2）建议cuda，cudatoolkit严格对应

否则可能会报奇怪的错误，详见3.3.1

1.1 pytorch版本（仅限 Linux）

根据自己的pytorch和cuda版本进行选择。（如果pytoch版本不对，卸载,然后一定要上官网用相应命令下载，不要直接 pip install pytorch）

我的版本是

conda install pytorch==1.9.0 torchvision==0.10.0 torchaudio==0.9.0 cudatoolkit=11.3 -c pytorch -c conda-forge

1.2 测试

执行以下代码，如果能正常输出则说明cuda可用

import torch
# 以下代码只有在PyTorch GPU版本上才会执行
import time

print(torch.__version__)
print(torch.cuda.is_available())
a = torch.randn(10000, 1000)
b = torch.randn(1000, 2000)
t0 = time.time()
c = torch.matmul(a, b)
t1 = time.time()
print(a.device, t1 - t0, c.norm(2))

device = torch.device('cuda')
a = a.to(device)
b = b.to(device)
t0 = time.time()
c = torch.matmul(a, b)
t1 = time.time()
print(a.device, t1 - t0, c.norm(2))

t0 = time.time()
c = torch.matmul(a, b)
t1 = time.time()
print(a.device, t1 - t0, c.norm(2))

PyTorch测试代码-cuda加速_luoshiyong123的博客-CSDN博客_cuda测试代码

1.3安装预建的 Detectron2（仅限 Linux）

直接在虚拟环境复制执行下面代码即可

python -m pip install detectron2 -f \
  https://dl.fbaipublicfiles.com/detectron2/wheels/cu111/torch1.10/index.html

1.4构建AdelaDet

git clone https://github.com/aim-uofa/AdelaiDet.git
cd AdelaiDet
python setup.py build develop

如果你已经下载好，可直接执行最后一句

二、测试demo

2.1下载权重文件

wget https://cloudstor.aarnet.edu.au/plus/s/chF3VKQT4RDoEqC/download -O SOLOv2_R50_3x.pth

2.2测试执行命令

python demo/demo.py \
    --config-file configs/SOLOv2/R50_3x.yaml \
    --input input1.jpg input2.jpg \
    --opts MODEL.WEIGHTS SOLOv2_R50_3x.pth

根据自己路径进行更改，注意进入虚拟环境

2.2.1报错

ImportError: No module named cv2

终端输入

pip install opencv-python

2.2.2报错

ModuleNotFoundError: No module named 'detectron2'

可能是之前安装Detectron2有bug，重新输入那段代码

python -m pip install detectron2 -f \
  https://dl.fbaipublicfiles.com/detectron2/wheels/cu111/torch1.10/index.html

2.2.3 报错(此报错为我在服务器上搭建时报错)

from detectron2 import _C
ImportError: /root/miniconda3/lib/python3.8/site-packages/detectron2/_C.cpython-38-x86_64-linux-gnu.so: undefined symbol: _ZNK2at10TensorBase8data_ptrIdEEPT_v

解决方法：终端输入

python3 -m pip install 'git+https://github.com/facebookresearch/detectron2.git'

参考文献：

ImportError: adet/_C.cpython-37m-x86_64-linux-gnu.so: undefined symbol: _ZNK2at6Tensor6deviceEv · Issue #181 · aim-uofa/AdelaiDet · GitHub

三、训练自己的数据集

3.1 构建自己的数据集

构建好的数据集格式应该如下

coco/
  annotations/
    instances_{train,val}2017.json
    person_keypoints_{train,val}2017.json
  {train,val}2017/
    # image files that are mentioned in the corresponding json

并将他们放到datastes文件夹中

3.2 修改配置文件并注册数据集

直接说结论：

1.文件摆放方式

2.将yaml的datasets部分修改如下

DATASETS:
TRAIN: ("line_train",)
TEST: ("line_val",)

3.注册数据集

在adet/data/builtin.py 的PREDEFINED_SPLITS_PIC 部分后面加这两行

    "line_train": ("line/line_train", "line/annotations/instances_line_train.json"),
    "line_val": ("line/line_val", "line/annotations/instances_line_val.json"),

将下面的

metadata_pic = {
    "thing_classes":  ['text']
}

替换为

metadata_pic = {
    "thing_classes":  ['_background_', 'line']
}

（注意，这里一定不要注册到后两个，虽然也能正常train，但test会报错，详见3.5.2）

此外，根据自己显存调整batch。

以下的蓝字是踩坑，不用看

我们下载的这个AdelaiDet-master里面不仅仅包含了solo算法，还包含了各种其他算法。我们这次要用soloV2来跑通。首先我们进入configs-->soloV2-->README.md进行参考

同时参考另一篇参考文献：

跑通SOLOV1-V2实例分割代码，并训练自己的数据集。_donkey_1993的博客-CSDN博客_solov2训练自己的数据集https://blog.csdn.net/donkey_1993/article/details/108054849

注意，我们是通过detectron2构建的文件，而参考文献是mmdect，所以不能完全按参考文献来，只能根据他提供的思路自己修改。

终端输入

OMP_NUM_THREADS=1 python tools/train_net.py \
    --config-file configs/SOLOv2/R50_3x.yaml \
    --num-gpus 1 \
    OUTPUT_DIR training_dir/SOLOv2_R50_3x

3.2.3 报错

KeyError: "Dataset 'train2017' is not registered! Available datasets are:coco_2014_train, coco_2014_val, coco_2014_minival, coc

根据train_net.py文件上方的注释，train_net.py是一个可以集中调用多种网络的.py文件，所以可能只有注册过的coco数据集可以通过这个文件调用。因此，我们要想训练自己的数据集，需要先注册数据集

3.2.4 注册数据集

参考文献：

跑通SOLOV1-V2实例分割代码，并训练自己的数据集。_donkey_1993的博客-CSDN博客_solov2训练自己的数据集https://blog.csdn.net/donkey_1993/article/details/108054849

注意，我们是通过detectron2构建的文件，而参考文献是mmdect，所以不能完全按参考文献来，只能根据他提供的思路自己修改

builtin.py文件如下

import os

from detectron2.data.datasets.register_coco import register_coco_instances
from detectron2.data.datasets.builtin_meta import _get_builtin_metadata

from .datasets.text import register_text_instances

# register plane reconstruction

_PREDEFINED_SPLITS_PIC = {
    "pic_person_train": ("pic/image/train", "pic/annotations/train_person.json"),
    "pic_person_val": ("pic/image/val", "pic/annotations/val_person.json"),
}

metadata_pic = {
    "thing_classes": ["person"]
}

_PREDEFINED_SPLITS_TEXT = {
    "totaltext_train": ("totaltext/train_images", "totaltext/train.json"),
    "totaltext_val": ("totaltext/test_images", "totaltext/test.json"),
    "ctw1500_word_train": ("CTW1500/ctwtrain_text_image", "CTW1500/annotations/train_ctw1500_maxlen100_v2.json"),
    "ctw1500_word_test": ("CTW1500/ctwtest_text_image","CTW1500/annotations/test_ctw1500_maxlen100.json"),
    "syntext1_train": ("syntext1/images", "syntext1/annotations/train.json"),
    "syntext2_train": ("syntext2/images", "syntext2/annotations/train.json"),
    "mltbezier_word_train": ("mlt2017/images","mlt2017/annotations/train.json"),
    "rects_train": ("ReCTS/ReCTS_train_images", "ReCTS/annotations/rects_train.json"),
    "rects_val": ("ReCTS/ReCTS_val_images", "ReCTS/annotations/rects_val.json"),
    "rects_test": ("ReCTS/ReCTS_test_images", "ReCTS/annotations/rects_test.json"),
    "art_train": ("ArT/rename_artimg_train", "ArT/annotations/abcnet_art_train.json"), 
    "lsvt_train": ("LSVT/rename_lsvtimg_train", "LSVT/annotations/abcnet_lsvt_train.json"), 
    "chnsyn_train": ("ChnSyn/syn_130k_images", "ChnSyn/annotations/chn_syntext.json"),
}

metadata_text = {
    "thing_classes": ["text"]
}


def register_all_coco(root="datasets"):
    for key, (image_root, json_file) in _PREDEFINED_SPLITS_PIC.items():
        # Assume pre-defined datasets live in `./datasets`.
        register_coco_instances(
            key,
            metadata_pic,
            os.path.join(root, json_file) if "://" not in json_file else json_file,
            os.path.join(root, image_root),
        )
    for key, (image_root, json_file) in _PREDEFINED_SPLITS_TEXT.items():
        # Assume pre-defined datasets live in `./datasets`.
        register_text_instances(
            key,
            metadata_text,
            os.path.join(root, json_file) if "://" not in json_file else json_file,
            os.path.join(root, image_root),
        )


register_all_coco()

这是solov2配置文件信息

MODEL:
META_ARCHITECTURE: "SOLOv2"
MASK_ON: True
BACKBONE:
    NAME: "build_resnet_fpn_backbone"
RESNETS:
    OUT_FEATURES: ["res2", "res3", "res4", "res5"]
FPN:
    IN_FEATURES: ["res2", "res3", "res4", "res5"]
DATASETS:
TRAIN: ("coco_2017_train",)
TEST: ("coco_2017_val",)
SOLVER:
IMS_PER_BATCH: 1
BASE_LR: 0.01
WARMUP_FACTOR: 0.01
WARMUP_ITERS: 1000
STEPS: (60000, 80000)
MAX_ITER: 90000
INPUT:
MIN_SIZE_TRAIN: (640, 672, 704, 736, 768, 800)
MASK_FORMAT: "bitmask"
VERSION: 2

这是我们自己的文件信息

自己的文件只有一个类“line”

我们照葫芦画瓢，将自己的文件弄进去

将yaml的dataset文件修改如下

DATASETS:
TRAIN: ("line_train",)
TEST: ("line_val",)

在builtin后面加这两行

    "line_train": ("line/line_train", "line/annotations/instances_line_train.json"),
    "line_val": ("line/line_val", "line/annotations/instances_line_val.json"),

一个很神奇的事情，如果你是用pycharm执行的，需要在/home/luoxinhao/anaconda3/envs/AdelaiDet-master/lib/python3.7/site-packages/pycocotools/coco.py的80行左右

        if not annotation_file == None:

后面加一句这个。否则会报路径错误

annotation_file="../" + annotation_file

但是在shell中执行则不需要(記不清了)。

这个问题的解决办法是将datasets整个文件夹复制一份放到"tools"

蓝字是踩坑，不用看

之后程序报错

"to a different value!\n{} != {}".format(key, self.name, oldval, val)
AssertionError: Attribute 'thing_classes' in the metadata of 'line_train' cannot be set to a different value!
['text'] != ['_background_', 'line']

调试发现，不知道为什么，

meta.thing_classes =["text"]

解决办法：将catalog.py以下函数注释掉

    # def __setattr__(self, key, val):
    #     if key in self._RENAMED:
    #         log_first_n(
    #             logging.WARNING,
    #             "Metadata '{}' was renamed to '{}'!".format(key, self._RENAMED[key]),
    #             n=10,
    #         )
    #         setattr(self, self._RENAMED[key], val)
    #
    #     # Ensure that metadata of the same name stays consistent
    #     try:
    #         oldval = getattr(self, key)
    #         assert oldval == val, (
    #             "Attribute '{}' in the metadata of '{}' cannot be set "
    #             "to a different value!\n{} != {}".format(key, self.name, oldval, val)
    #         )
    #     except AttributeError:
    #         super().__setattr__(key, val)

之后执行程序，系统会下载rtl50.pkl文件

之后系统又报了一次路径错误，原因是我们之前在路径中加了../。但是我找不到在哪儿改。情急之下我把之前加的哪行../注释掉，然后直接将datasets复制一份放到了tools文件夹里。

之后系统又报错

[Errno 2] No such file or directory: 'datasets/line/train2017/053.jpg'

应该是我在生成json文件的时候文件夹的名字是train2017（后来被我改成train_line了）。所以我又把他改了回去

之后又报错

rone of the variables needed for gradient computation has been modified by an inplace operation: [torch.cuda.FloatTensor [1, 128, 200, 272]], which is output 0 of ReluBackward0, is at version 3; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).

根据报错的提示我们进入/anaconda3/envs/AdelaiDet-master/lib/python3.7/site-packages/detectron2/engine/train_loop.py 第285行，将

      loss.backward()

替换为

        with torch.autograd.detect_anomaly(True):
            loss.backward()

重新执行，程序报错

TypeError: __init__() takes 1 positional argument but 2 were given

搜索所有inplace=True ，换为inplace=False

还是不好使。尝试更换pytorch版本

3.3 执行训练

终端输入

python tools/train_net.py \
    --config-file configs/SOLOv2/R50_3x.yaml   \
    --num-gpus 1 \
    OUTPUT_DIR training_dir/SOLOv2_R50_3x

或在pycharm配置中输入

--config-file ../configs/SOLOv2/R50_3x.yaml  --num-gpus 1  OUTPUT_DIR ../training_dir/SOLOv2

ps：因为反复调试，有些我自己的路径是不对应的，请自行更改

3.3.1 报错1

rone of the variables needed for gradient computation has been modified by an inplace operation: [torch.cuda.FloatTensor [1, 128, 200, 272]], which is output 0 of ReluBackward0, is at version 3; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).

解决办法：

换一个pytorch版本（前面的所有操作建议都重来一遍）

注：在pytorch主页可以找到以前版本下载链接

之后莫名其妙就不报错了.可以正常执行（这个报错我处理了两天...）

3.3.2 用pycharm执行显示路径不正确

解决办法：将datasets整个文件夹复制一份放到tools文件夹中。并相应更改调试参数

3.3.3 loss发散

解决办法：降低学习率

3.3.4 训练过程中不保存权重

实际上是训练轮数不够，还没开始保存权重。默认是5000轮保存一次。具体解析见4.1

3.3.5 关于断点续训

不需要对输出的权重名字进行更改（无论是数字命名还是final）。只需要在执行命令时加入一句

--resume

值得注意的是，这句必须加在OUTPUT那部分前面。

断点续训不但会保存之前的权重信息，还会保存之前的轮数等信息。

3.4 训练过程中的输出信息

训练过程中会输出如下信息：

eta: 1 day, 0:08:22         预计训练剩余时间

iter: 899                               训练轮数

total_loss: 0.5141            总损失

loss_ins: 0.3549                ins损失（推测为instance，即分割的准不准）

loss_cate: 0.1629              cate损失（推测为category，即猜的种类对不对）

time: 0.3223                       训练一轮所需时间

data_time: 0.0027          训练一轮加载数据所需时间

lr: 0.00044953                   步长

max_mem: 1550M              所占显存

3.5 测试自己的训练结果

测试其实就是执行前面的demo.py，相当于yolov5的detect.py。终端输入

python demo/demo.py \
    --config-file configs/SOLOv2/R50_3x.yaml \
    --input 001.jpg \
    --opts MODEL.WEIGHTS model_0000999.pth

将权重改为自己的即可

3.6 评价自己的训练结果

终端输入

python tools/train_net.py \
    --config-file configs/SOLOv2/R50_3x.yaml   \
    --eval-only \
    --num-gpus 1 \
    OUTPUT_DIR training_dir/SOLOv2 \
    MODEL.WEIGHTS training_dir/SOLOv2/model_0000999.pth

3.6.1 显存不够

我在评价模型的时候，遇到了显存不够的情况（原因是在执行过demo.py后，即使终止该命令，其所占用的显存依旧没有释放）

解决方法1：减小test图片大小（搁置）

我想通过减小图片大小来解决问题，但是却出现了修改training_dir/SOLOv2的config文件时修改无效的情况（每当我重新运行test，改完的部分又重新变回去了）。因为这个config文件是运行后生成的，所以需要在别的地方进行修改。

解决方法2：释放demo.py所占用的内存

终端输入：

nvidia-smi

根据输出的信息，找到占用显存的项目，终端输入

sudo kill -9 PID

其中PID是用显存的项目的PID号

以下是踩坑，不用看

3.6.2 报错

AttributeError: Cannot find field 'beziers' in the given Instances!

报错内容是输入的实例instance没有beziers（其实调试后发现也没有recs）。查阅资料（README）发现可能是需要先运行AdelaiDet/datasets/prepare_thing_sem_from_instance.py或prepare_thing_sem_from_lvis.py,从json中提取相关信息（从全景分割创建语义分割注释）。

参考文献：

https://github.com/aim-uofa/AdelaiDet/blob/master/datasets/README.md

但是这两个文件是为coco数据集准备的，所以我们要想要用作自己的数据集，需要做一些调整

3.6.3 prepare_thing_sem_from_instance.py修改

首先配置形参，输入--dataset-name line

然后修改.py文件，将最下面一段改为

    for s in ["train"]:
        create_coco_semantic_from_instance(
            os.path.join(dataset_dir, "annotations/instances_line_{}.json".format(s)),
            os.path.join(dataset_dir, "thing_{}".format(s)),
            thing_id_to_contiguous_id
        )

这样就会在你原本的train目录里生成.npz文件。

（ps：终端会输出将文件输入到train_thing文件夹里，但实际上文件夹是空的，文件实际输入到了存有图片的那个文件夹里。这个代码的逻辑很奇怪，可能是为了适应默认为coco的情况，他会先创建一个thing_train文件夹，然后从这个文件夹退出来，然后再进入我们自己的文件夹，将.npz输入进去）

同样，将上面那段代码第一行的train改成val，可以在验证集中生成.npz文件。但是不知道怎么用，放弃

3.6.4 另一个尝试

继续查找资料，可能和下面这篇文档有关（但是这篇文档貌似是做自然语言处理的）

https://github.com/aim-uofa/AdelaiDet/blob/master/configs/BAText/README.md#train-your-own-models

浏览器中输入https://universityofadelaide.box.com/shared/static/e3yha5080jzvjuyfeayprnkbu265t3hr.zip

会得到一个压缩文件。查阅压缩文件中的README，发现他的格式和我们想要的一样。按照其readme的指示执行main.py，报错

ModuleNotFoundError: No module named 'Levenshtein'

终端输入

conda install python-Levenshtein

main.py能正常执行，但是输出的和我预想的不太一样，没有AP值之类的参数。

继续查阅资料，程序默认走的是text_evaluation，果然这个评价是针对文档的。所以我们接下来的目的是修改评价器。

3.6.5 评价器逻辑

在没有自己选择评价器时，系统通过train_net.py中的build_evaluator函数帮你构建评价器。他会通过注册的数据集得到一个尾缀，然后根据尾缀帮你构建合适的数据集。

3.6.6 问题本质

调试发现，我们的数据集得到的尾缀居然是text的。分析原因，可能是我们在上面3.2处注册了meta_data_text。继续研究发现，好像下面这么长一段都是文本识别的（目标检测中的文本识别），所以评价模型之所以不能用，是因为我们注册数据集出了问题。回去看builtin.py，将粘到第三第四栏的改到第一第二栏，程序test终于能正确执行。

四、测试test

4.1 测试输入

变量配置如下：

--config-file ../configs/SOLOv2/8_8_1_0.0005*10_0.0005*3k4k5k_.yaml  --num-gpus 1 --eval-only OUTPUT_DIR ../training_dir/aaa  MODEL.WEIGHTS ../training_dir/aaaa/model_0004999.pth

加了一个--eval-only ,一个权重路径

4.2 测试评价指标

该测试评价指标依照coco

这是我的一个样例输出：

Average Precision (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.436

IOU从0.5到0.95，没0.05取一个，计算出来的AP值的平均

AP值：准确率,你测到的&&是真的/你测到的

AR值：召回率，你测到的&&是真的/是真的

IOU：交并比，用来判断东西是不是真的。比如你测到的
Average Precision (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.880
Average Precision (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.441
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 ] = 0.436
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = -1.000
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 1 ] = 0.460
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.475
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.475
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 ] = 0.475
Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = -1.000
[03/19 15:24:36 d2.evaluation.coco_evaluation]: Evaluation results for segm:
|   AP   | AP50 | AP75 | APs | APm   | APl |
|:------:|:------:|:------:|:-----:|:------:|:-----:|
| 43.581 | 87.995 | 44.082 | nan | 43.581 | nan |
[03/19 15:24:36 d2.evaluation.coco_evaluation]: Some metrics cannot be computed and is shown as NaN.
[03/19 15:24:36 d2.evaluation.coco_evaluation]: Per-category segm AP:
| category     | AP   | category   | AP     |
|:-------------|:-----|:-----------|:-------|
| _background_ | nan | line       | 43.581 |
[03/19 15:24:36 d2.engine.defaults]: Evaluation results for line_val in csv format:
[03/19 15:24:36 d2.evaluation.testing]: copypaste: Task: bbox
[03/19 15:24:36 d2.evaluation.testing]: copypaste: AP,AP50,AP75,APs,APm,APl
[03/19 15:24:36 d2.evaluation.testing]: copypaste: 0.0000,0.0000,0.0000,nan,0.0000,nan
[03/19 15:24:36 d2.evaluation.testing]: copypaste: Task: segm
[03/19 15:24:36 d2.evaluation.testing]: copypaste: AP,AP50,AP75,APs,APm,APl
[03/19 15:24:36 d2.evaluation.testing]: copypaste: 43.5809,87.9950,44.0819,nan,43.5809,nan

进程已结束，退出代码为 0

参考文献：看懂COCO数据集目标识别性能评价标准AP，AP50，AP75，APsmal等_疯狂的大山鸡的博客-CSDN博客_ap50 ap75

五、代码逻辑解析

由于这部分比较多，所以新开了一个博客，链接如下：

https://blog.csdn.net/m0_58348465/article/details/122771195

六、部署

5.1 .pt-->.onnx（未解决）

部署过程遇到了一些问题。执行export_model_to_onnx时，报错：

too many indices for tensor of dimension 3

报错位置发生在train_net.py第152行，如下：

        images = [x["image"].to(self.device) for x in batched_inputs]

调试发现，训练过程中也执行过这行语句，变量batched_inputs保存了一个图片的全部信息，包括路径，长宽，像素等等。但在执行export_model_to_onnx.py过程中传入batched_inputs仅仅是一个全是0的tensor。

目前有一种想法是直接手写batched_inputs，将其改变成和train_net.py相类似的格式。但没有尝试，不确定是否可行。

查阅源代码github相关问题，也确实有人遇到了相似问题，但没有给出具体的解决方案。还有人说onnx不支持linspace操作（soloV2中用到），所以想部署必须跳过此部分。

此外detectron2平台似乎提供了一些部署的方式，可以参考下面几篇文档：

detectron2配置与部署_alex1801-CSDN博客_detectron2部署

Deployment — detectron2 0.6 documentation

detectron2.export — detectron2 0.6 documentation

最后还查到有一个版本是支持导出onnx的，但需要付费。链接如下：

MANA AI工具链详情

华为开发者空间

华为开发者空间，是为全球开发者打造的专属开发空间，汇聚了华为优质开发资源及工具，致力于让每一位开发者拥有一台云主机，基于华为根生态开发、创新。

更多推荐

一文解读GaussDB(DWS)监控运维诊断优化能力

华为开发者空间

GaussDB技术解读——GaussDB架构介绍（四）

华为开发者空间

华为云数据仓库专业级开发者认证重磅发布

华为开发者空间

所有评论(0)

查看更多评论

长方形混凝土瞬间移动师

@m0_58348465

已为社区贡献1条内容

soloV2保姆级教程（含环境配置，训练自己的数据集，代码逻辑分析等。能踩得坑都踩了....）更新ing

长方形混凝土瞬间移动师

序言

环境：ubuntu18.04 cuda11.1 显卡3050 pytorch1.9

代码链接：

论文解读可参考这位博主：

Detectron2 操作文档

一、安装detection2

1.1 pytorch版本（仅限 Linux）

1.2 测试

1.3安装预建的 Detectron2（仅限 Linux）

1.4构建AdelaDet

二、测试demo

2.1下载权重文件

2.2测试执行命令

2.2.1报错

2.2.2报错

2.2.3 报错(此报错为我在服务器上搭建时报错)

三、训练自己的数据集

3.1 构建自己的数据集

3.2 修改配置文件并注册数据集

直接说结论：

1.文件摆放方式

2.将yaml的datasets部分修改如下

3.注册数据集

以下的蓝字是踩坑，不用看

3.2.3 报错

3.2.4 注册数据集

3.3 执行训练

3.3.1 报错1

3.3.2 用pycharm执行显示路径不正确

3.3.3 loss发散

3.3.4 训练过程中不保存权重

3.3.5 关于断点续训

3.4 训练过程中的输出信息

3.5 测试自己的训练结果

3.6 评价自己的训练结果

3.6.1 显存不够

以下是踩坑，不用看

3.6.2 报错

3.6.3 prepare_thing_sem_from_instance.py修改

3.6.4 另一个尝试

3.6.5 评价器逻辑

3.6.6 问题本质

四、测试test

4.1 测试输入

4.2 测试评价指标

五、代码逻辑解析

六、部署

5.1 .pt-->.onnx（未解决）

所有评论(0)

长方形混凝土瞬间移动师