原创 Ubuntu18.04格式化boot分區後恢復

不小心把Ubuntu18.04的boot分區格式化了,進不去系統了,一開機就是BIOS界面,最後使用boot-repair恢復了boot分區. 1. 使用Ubuntu18.04的安裝U盤啓動,選擇Install,看了一下硬盤分區,還好,只是

原创 Ubuntu18.04掛載錯誤後修復

由於操作失誤,把硬盤掛載到了/home,導致系統啓動失敗,用Ubuntu的安裝U盤進入Try,然後輸入以下命令: sudo gedit ./etc/fstab 發現fstab文件是這樣的: # /etc/fstab: static f

原创 Ubuntu安裝和配置Git

1. 輸入命令sudo apt-get install git,安裝Git; 2. 輸入命令git config --global user.name [your user name]和git config --global user.em

原创 MMDetection3D的運行環境

OS: Ubuntu20.04 GPU: RTX 3060(12G) python==3.7.12 cuda==11.2 cudnn==cudnn-11.2-linux-x64-v8.1.1.33 pytorch==1.11.0 torch

原创 Visual Studio 2019設置PCL 1.12.1環境

1. 下載並安裝PCL 1.12.1 到https://github.com/PointCloudLibrary/pcl/releases下載下面兩個文件: 安裝PCL時,選擇添加路徑到Path.解壓pcl-1.12.1-pdb-msvc

原创 The following packages are causing the inconsistency

在Ubuntu下安裝PyTorch遇到了下面的錯誤: The following packages are causing the inconsistency 下面是一長串的包名,有人說需要手動把這些包刪除了,但是包太多,一個一個刪除太

原创 MMDetection源碼解析:Focal loss

Focal loss在文件.\mmdet\models\losses\focal_loss.py實現,代碼如下: import torch import torch.nn as nn import torch.nn.functional

原创 Stitcher: Feedback-driven Data Provider for Object Detection

現有的目標檢測器對小目標的檢測效果不好,針對這種情況,作者提出了Feedback-driven Data Provider,根據訓練過程中小對象對損失值的的貢獻率,提供小對象訓練數據的方法.Stitcher就是把多張圖片(一般是4張)縮小後

原创 GFL: Generalized Focal Loss

現有的模型存在兩個問題: (1)classification score和quality score(包括IoU和centerness score)訓練和推理時不一致.訓練的時候這兩個score是分別訓練的,推理的時候將這兩個score相乘

原创 ATSS: Adaptive Training Sample Selection

ATSS(Adaptive Training Sample Selection)是一種新的樣本選擇方法,和傳統的設置一個固定的IOU閾值不同,ATSS對每一個GT Box,根據它的統計信息計算出一個IOU閾值.具體的算法如下圖所示: 對每

原创 MMDetection源碼解析:Faster RCNN(8)--BBoxHead類

BBoxHead類繼承自nn.Module類,定義在\mmdet\models\roi_heads\bbox_heads\bbox_head.py中,其作用是輸出ROI Pooling的分類和迴歸值. import torch impor

原创 MMDetection源碼解析:Faster RCNN(7)--ConvFCBBoxHead,Shared2FCBBoxHead和Shared4Conv1FCBBoxHead類

ConvFCBBoxHead類定義在\mmdet\models\roi_heads\bbox_heads\convfc_bbox_head.py中,其作用是對共享特徵層進行卷積和全連接操作,然後在forward到BBoxHead類中,而且也

原创 MMDetection源碼解析:Faster RCNN(6)--SingleRoIExtractor類和BaseRoIExtractor類

SingleRoIExtractor類定義在\mmdet\models\roi_heads\roi_extractors\single_level_roi_extractor.py中,其作用是對ROI特徵層進行特徵提取,繼承自BaseRoI

原创 顯存不足造成nan錯誤

用MMDetection訓練過程中,全連接層(Fully Connected Layers,FC)出現nan錯誤,但是全連接層只是線性組合,而且數值也不大,也沒有計算損失函數,怎麼可能出現nan錯誤? 經過研究發現,原來是顯存不足造成的,由

原创 MMDetection源碼解析:Faster RCNN(5)--TwoStageDetector類

TwoStageDetector類定義在\mmdet\models\detectors\tew_stage.py中: import torch import torch.nn as nn # from mmdet.core import