首先需要准备好数据集的标注文件以及 config 文件,确保能够被 dataset 所读取(可以通过tools/misc/browse_dataset.py 工具进行验证),然后需要确保环境中安装了 scipy,然后运行命令: 代码语言:javascript 代码运行次数:0 运行 AI代码解释 python tools/analysis_tools/optimize_anchors.py ${CONFIG}--algorithm k-means-...
搞懂MMDetection3D可视化,以便在转换完之后使用browse_dataset.py确认转换时候正确。 1 采用哪种转换方式? 首先官方教程是这么说的: 在MMDetection3D 中有三种方式来自定义一个新的数据集: 将新数据集的数据格式重新组织成已支持的数据集格式; 将新数据集的数据格式重新组织成已支持的一种中间格式; 从头开始创建一个...
我之前都是用labelme直接看的,当然就显得b格不太够,mmdetection里面也可以直接看,用的browse_dataset.py,这个可以看训练集的,当然如果要看测试集的话,可以将config文件里面的data这个dict里面的train的dict中的ann_file和img_profix路径改成和val那个dict中的一样就好了 运行的时候,需要输入参数有config文件,以及--s...
1 数据浏览browse_dataset 给你一个新的目标检测项目,转化为coco格式,设置好cfg后,难道不需要看下label和bbox是否正确?不需要看下数据增强策略是否合适?我想作为一个有经验的工程师必然少不了这个步骤。 故browse_dataset可以对datasets吐出的数据进行可视化检查,看下是否有错误。这个工具我是直接从mmdetection里面copy...
本节主要说明下mmdetection-mini到目前为止已经新增的一些用来分析数据,分析模型,分析模型预测质量的工具,在实际项目中针对自己的数据进行可视化分析非常有用。例如感受野计算、特征图分析、loss函数分析、推理时间分析等等。 1. 数据浏览 browse_dataset 给你一个新的目标检测项目,转化为coco格式,设置好cfg后,难道不需要...
然后我们点击配置文件,为了让模型能够顺利训练,我们主要修改的就是 dataset_type 以及 num_classes(数据格式已经在前面转换中完成),我们可以点击 Ctrl+F 找到这部分的内容并进行修改。 把类别从 80 修改为我们的类别 3 将dataset_type 修改为我们刚刚制作的 HelmetDataset ...
故browse_dataset可以对datasets吐出的数据进行可视化检查,看下是否有错误。这个工具我是直接从mmdetection里面copy过来的,并修复了在voc那种数据的配置上面出错的bug。 用法非常简单,只需要传入cfg文件即可,以coco数据为例,如下所示” 可视化效果看起来比较难看,不过我懒得改了。
1.日志分析 analyze_logs.py https://blog.csdn.net/jy1023408440/article/details/105701705 2.可视化数据集 browse_dataset.py python tools/browse_dataset.py m1/faster_rcnn_r50_fpn_1x_coco.py ConfigDi... 查看原文 mmdetection 报错: AttributeError: ‘ConfigDict‘ object has no attribute ‘pipeline‘...
python tools/misc/browse_dataset.py ${ CONFIG } 四:检测单张图片时用到以下方法: model = init_detector(config_file,checkpoint_file) result=inference_detector(model,img) model.show_result(img, result, model.CLASSES, out_file='testOut.jpg')...
数据浏览工具 tools/browse_dataset 笔记(持续更新) 第一篇:mmdetection最小复刻版(一):整体概览 或者知乎文章 第二篇:mmdetection最小复刻版(二):RetinaNet和YoloV3分析 或者知乎文章 第三篇:mmdetection最小复刻版(三):神兵利器 或者知乎文章 第四篇:mmdetection最小复刻版(四):独家yolo转化内幕 ...