output_dir = "../work_dirs/ZihaoDataset-PSPNet/图表" os.makedirs(output_dir, exist_ok=True) for each_class in class_list: each_class_metrics = np.array(metrics_json[each_class]['metrics']) plt.figure(figsize=(16, 8)) for idx, each_metric in enumerate(['IoU', 'Acc', 'Dice', ...
例如,可以设置data_root为数据集所在目录,work_dir为训练结果保存目录等。 开始训练:使用tools/train.py脚本开始训练。例如,可以使用python tools/train.py ${CONFIG_FILE} ${WORK_DIR} --gpus ${GPU_NUM}命令进行训练,其中${CONFIG_FILE}为配置文件路径,${WORK_DIR}为训练结果保存目录,${GPU_NUM}为使用的G...
temp_path = f'{temp_out_dir}/{frame_id:06d}.jpg' # 保存语义分割预测结果图像至临时文件夹 cv2.imwrite(temp_path, show_img) prog_bar.update() # 更新进度条 # 把每一帧串成视频文件 mmcv.frames2video(temp_out_dir, 'outputs/B3_video.mp4', fps=imgs.fps, fourcc='mp4v') shutil.rmtree...
# 模型 decode/auxiliary 输出头,指定为类别个数 cfg.model.decode_head.num_classes = NUM_CLASS cfg.model.auxiliary_head.num_classes = NUM_CLASS # 训练 Batch Size cfg.train_dataloader.batch_size = 4 # 结果保存目录 cfg.work_dir = './work_dirs/WHUDataset_PSPNet/' # 模型保存与日志记录 cfg...
# Create work_dir mmcv.mkdir_or_exist(osp.abspath(cfg.work_dir)) train_detector(model,datasets,cfg,distributed=False,validate=True) 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21.
```bash python tools/train.py configs/your_config_file.py --work-dir work_dirs/your_experiment_name ``` 将`your_config_file.py`替换为你在第4步中找到的配置文件,将`your_experiment_name`替换为你想要的实验名称。©2022 Baidu |由 百度智能云 提供计算服务 | 使用百度前必读 | 文库协议 | 网...
weight_decay=0.0005) optimizer_config = dict() lr_config = dict(policy='poly', power=0.9, min_lr=0.0001, by_epoch=False) total_iters = 200 checkpoint_config = dict(by_epoch=False, interval=200) evaluation = dict(interval=200, metric='mIoU') work_dir = './work_dirs/tutorial' seed ...
pythontools/train.py<config_file>[--gpus<num_gpus>] [--work-dir<work_dir>] 其中,<config_file>是配置文件的路径,--gpus指定使用的 GPU 数量,--work-dir指定保存训练结果的目录。 3.5 模型测试 可以使用以下命令进行模型测试: pythontools/test.py<config_file><checkpoint_file>[--gpus<num_gpus>] ...
所有的输出(日志 log 和检查点 checkpoints )将被保存到工作路径文件夹里,它可以通过配置文件里的work_dir指定。 在一定迭代轮次后,我们默认在验证集上评估模型表现。您可以在训练配置文件中添加间隔参数来改变评估间隔。 evaluation = dict(interval=4000)# 每4000 iterations 评估一次模型的性能 ...
work_dir = './work_dirs/tutorial' # 训练迭代次数 cfg.train_cfg.max_iters = 800 # 评估模型间隔 cfg.train_cfg.val_interval = 400 # 日志记录间隔 cfg.default_hooks.logger.interval = 100 # 模型权重保存间隔 cfg.default_hooks.checkpoint.interval = 400 # 随机数种子 cfg['randomness'] = dict...