问题：执行以下命令行太长了，不方便修改。 CUDA_VISIBLE_DEVICES=0 python tools/train.py --config ./configs/SegSAMPLerEmbMLP_config.py --cfg-options optimizer.lr=0.0005 optimizer.weight_decay=0.01 train_batch_size_per_gpu=4 test_batch_size_per_gpu=4 model_cfg.SAM_weights=0.1 model_c…
BUG修改
PyTorch转ONNX踩坑——RuntimeError: ONNX export of operator adaptive_avg_pool2d & Failed to export an ONNX attribute 'onnx::Gather'
踩坑一： RuntimeError: ONNX export of operator adaptive_avg_pool2d 报错原因：这个错误表明在将模型导出为 ONNX 格式时，adaptive_avg_pool2d 操作不支持当前的输出大小，因为输出大小不是输入大小的因数。因为onnx要求模型的输入参数的固定的，而自适应池化层是根据输入来确定模型参数的。 ChatGPT提供了一些别的方法，如更新Pytorch版本或尝试使用 ONNX opset 版本或 dynamic_axes 参数，经过测试都无法解决以上问…
最近学习了一下图像分割模型部署——PyTorch转ONNX 参考了子豪兄的视频 一、主要学习内容如下： 即ONNX是个中间翻译器，帮助不同框架和不同设备更方便地迁移和部署。 二、具体操作 1. 安装配置环境 安装Pytorch pip3 install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu113 安装 ONNX pip install onnx -i https://pypi.tuna.tsinghua.edu…
提出问题 最近在科研中，遇到需要利用mmtracking框架进行多目标跟踪实现自制数据集的应用。因此，简单记录一下数据集制作过程以及利用mmdetection和mmtracking框架结合下的多目标跟踪过程。 解决方案 （1）数据集制作 视频数据集制作利用的软件是DarkLabel 2.4，其链接如下：DarkLabel下载地址，其基本标注方法可参考我上一篇博文，链接如下：DarkLabel2.4软件标注视频影像数据做目标检测/跟踪（数据预处理）。与上一篇博文不同的是，这次我们是以MOT17数据集格式进行数据集制作…
摘要：三维建筑模型在城市规划和智慧城市等众多应用中发挥着至关重要的作用。最近的三维建筑建模方法要么严重依赖于可用的手动收集的足迹参考，要么很难达到与手动编辑相当的真正自动化。为了在细节1级(LoD1)上实现实例级三维建筑的自动提取，我们引入了一种创新的端到端三维建筑实例分割模型。该模型利用正射校正高分辨率遥感图像和数字表面模型(DSMs)同时预测单个建筑物的精确轮廓和高度，消除了额外的参考数据和经验参数设置。首先，我们提出了一个适合于提取二维建筑轮廓的锚定多头(AFM)建筑提取网络。AFM结合了全分辨率、远程相关增…
提出问题 本地上传文件/文件夹到Github库会出现HTTP方式问题，主要是该方式在2021年就摒弃了，所以该方式目前上传不了。网上有ssh方式上传，但根据自己的机器尝试后，还是存在一些困难。因此，以此博文记录，为下次遇到同样的问题提供帮助。 解决问题 网上有关于ssh方式上传文件/文件夹到GitHub，具体参考该链接：http上传文件/文件夹到GitHub。尽管该方式失效，但有借鉴意义。具体步骤如下： 在GitHub上建一个新的repository，例如名叫：HD—test。 然后在本地要先构建一下ssh key…
在多数情况下，图像分割都会遇到类别不均衡的情况，这时候需要通过权重参数来调节各类之间的比重，一般不同类别的权重占比需要通过多次实验调整，这里介绍一种计算类别的权重占比的方法:中值频率平衡，实际应用时还需要在这个基础上做微调。这里采用中值频率平衡（图像分割中一种定量计算类别权重的方法） 根据我的数据集，计算出的类别权重如下： 每一类的像素数： [3.13914322e+09 8.32395811e+08 2.22764968e+08] 像素总个数 4194304000.0 每一类像素数占总像素数的比值 [0.7484…
提出问题 因为项目需要，需要对无人机拍摄的视频进行每一帧的拼接，拼接成一张全景图。为此，利用python语言，基于pyqt5框架搭建了一个全景图拼接系统。 解决方案 1.导入必要的库，包括OpenCV 3.4.2.16和NumPy。 2.定义一个函数get_homo，用于计算两张图片之间的单应性矩阵。 3.定义一个函数stitch_image，用于将两张图片进行拼接。 4.定义一个函数binarize_and_remove_black去除黑边。 以上四步是算法的主要步骤，其余步骤包括特征提取，我们分别用了SIFT和…
