u-net程式換上自己的資料集全黑的 解決辦法
做了一個月的u-net網路,剛開始前兩個星期很懵,因為總是跑出去全黑或者全灰的影象。看到網上好像沒有類似的教程,於是我總結一下我這一個月的亂撞南牆,希望給大家一些建議。
百度,調參,幾乎菜鳥能想到的方法我都用了,但是還是依然那個樣子。比如:調低學習率,增大epoch,把所有除以255的地方改為255.0,等等。
從這周開始,覺得可能是自己資料出了問題,因為自己的圖是三通道的彩色圖,首先把自己的圖片資料改為了灰度圖,雖然跑出來不再是全黑,出現了白色的邊框,但是我並不是分割邊框啊.......
我開始了繼續改引數的道路,然而要麼白邊要麼全黑。
然後我發現凡是跑成功了的幾乎都是圖片尺寸較小,於是我從網上下載了一波資料集(原圖以及只做好了的label)把圖片尺寸resize成了512*512,跑出來的圖開始有了效果,雖然還不滿意,但是通過修改引數一定可以達到預期效果。
換成了自己的資料集依然出現很多白點和黑點,總結了一下,我覺得要麼是我的目標太小,要麼是label製作方法不正確。
但是沒有跑出自己資料集的小夥伴可以試一下我上面的方法。
相關推薦
u-net程式換上自己的資料集全黑的 解決辦法
做了一個月的u-net網路,剛開始前兩個星期很懵,因為總是跑出去全黑或者全灰的影象。看到網上好像沒有類似的教程,於是我總結一下我這一個月的亂撞南牆,希望給大家一些建議。 百度,調參,幾乎菜鳥能想到的方法我都用了,但是還是依然那個樣子。比如:調低學習率,增大epoch,把所有除以255的地方改為2
tensorflow匯入mnist資料集之超時解決辦法
首先下載: 下載連結 下載右邊4個檔案,並存在新建的MNIST_data資料夾中。注意⚠️千萬不要解壓!否則就會不停報錯超時! (mac safari瀏覽器下載檔案後會自動解壓,在safari-偏好設定-通用-反選下載後開啟“安全的”檔案即可) 匯入mnist
tensorflow匯入mnist資料集出錯的解決辦法
from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_d
使用pytorch版faster-rcnn訓練自己資料集
使用pytorch版faster-rcnn訓練自己資料集 引言 faster-rcnn pytorch程式碼下載 訓練自己資料集 接下來工作 參考文獻 引言 最近在復現目標檢測程式碼(師兄強烈推薦F
《錯誤手記-01》 facenet使用預訓練模型fine-tune重新訓練自己資料集報錯
環境資訊:windows10+python3.5+tensorflow1.6.0 問題描述: 在自己的訓練集上跑train_softmax.py. 引數: --logs_base_dir F:/work/runspace/log/ --models_base_
Kaldi中thchs30訓練自己資料集的步驟
一、資料準備過程 網上下載的thchs-openslr資料集需要換成自己的資料集,包含兩個資料夾:data_thchs30和resource。下面講解如何搞定這一部分。 資料集在data_thchs30檔案中,包含四個部分(data、train、dev、test)。 data資料夾中包
深度學習(tensorflow) —— 自己資料集讀取opencv
先來看一下我們的目錄: dataset1 和creat_dataset.py 屬於同一目錄 mergeImg1 和mergeImg2 為Dataset1的兩子目錄(兩類為例子)目錄中儲存影象等檔案 核心檔案creat_dataset.py 檔案如下#來生成訓練集和測試集的矩陣 im
yolov3訓練自己資料集可參考文章
參考部落格原址: https://blog.csdn.net/u012966194/article/details/80004647 這篇文章將介紹編譯darknet框架開始,到整理資料集,到用yolo網路實現一個內部資料集中號碼簿的定
Yolov3訓練自己資料集+資料分析
訓練自己到資料集已經在上一篇文中說明過了,這一篇著重記錄一下資料分析過程 資料分析 1. mAP值計算 1)訓練完成後,執行darknet官方程式碼中到 detector valid 命令,生成對測試集到檢測結果,命令如下: ./darknet detector va
【YOLO初探】之 keras-yolov3訓練自己資料集
寫在前面 如何使用官方資料集參看上一篇文章《【YOLO初探】之 使用官方資料集做目標分類》 傳送門:https://blog.csdn.net/plSong_CSDN/article/details/85108256 這裡,筆者使用了260張訓練資料,完成了人臉中“眼睛”、“鼻子”、“嘴
Fast RCNN 訓練自己資料集 (1編譯配置)
FastRCNN 訓練自己資料集 (1編譯配置) FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開,過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fa
YOLOv3在訓練自己資料集時的速度慢問題
YOLOv3以速度快著稱,但是在訓練自己的資料集時發現儘管在命令中同時開啟了多塊gpu,但速度仍舊很慢。按照其他人的訓練日誌可以看出64batch的單gpu訓練,每次迭代大約需要不到1秒但是自己在訓練時卻需要好幾個小時,首先想到的是自己的資料集是否圖片解析度太高,比較之後發現
FCN訓練自己資料集(person-segmentation)、SIFT-FLOW、SBD和VOC實驗總結
最近花了將近一週的時間,基於提供的原始碼,通過參考網上的部落格,跑通了FCN在三個資料集上的訓練以及測試。在這裡寫下總結,即是記錄,又希望能夠對其他剛剛接觸FCN的人有所幫助。 FCN的原始碼地址:https://github.com/shelhamer/fcn.berkeleyvision.o
windows10+GPU下caffe資料集Lmdb格式製作+訓練自己資料集
最近做人臉識別專案,想用到caffe訓練自己的資料,電腦作業系統為win10+GPU,這裡對caffe-windows配置、資料集製作、訓練資料都做一些介紹。(無GPU配置的看我這個部落格)。如果你用的是vs2015,那麼下面介紹的caffe不適合,要用BVLC wind
如何利用caffe訓練自己資料集
這篇博文主要參考了另一位博主https://blog.csdn.net/hellohaibo,在此向他表示感謝 首先,博主今天的caffe崩了,毫無徵兆的崩了,具體表現為博主想做一個更大的資料集,但是在生成lmbd檔案時永遠生成的是一個沒有名字的資料夾,可是博主已經在指定的example目錄裡寫了
Faster-RCNN 訓練自己資料集的坑記錄
主要照這篇部落格進行訓練配置,因為沒有GPU所以好多坑,CPU訓練可以參見這篇部落格 正所謂,跑通了的都一樣,錯誤千萬樣。按照教程來也是坑多 訓練: python train_faster_rcnn_alt_opt.py --net_name ZF --weights
FastRCNN 訓練自己資料集(二)——修改讀寫介面
這裡樓主講解了如何修改Fast RCNN訓練自己的資料集,首先請確保你已經安裝好了Fast RCNN的環境,具體的編配編制操作請參考我的上一篇文章。首先可以看到fast rcnn的工程目錄下有個Lib目錄這裡下面存在3個目錄分別是:datasetsfast_rcnnroi_d
FastRCNN 訓練自己資料集(一)——編譯配置
FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開,過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fast RCNN中,提取OP的過程和訓練過程仍
py-faster-rcnn訓練自己資料集需要修改的引數
faster rcnn預設有三種網路模型ZF(小)、VGG_CNN_M_1024(中)、VGG16 (大) 訓練圖片大小為500*500,類別數1。 修改VGG_CNN_M_1024模型配置
【心得】深度學習入門——訓練並測試自己資料集
經過幾天的努力,成功訓練自己的資料集,並進行了單張圖片的測試。 訓練過程中val準確率約為0.91。看起來效果還比較理想,是否已經過擬合還沒有進行確定。 在訓練過程中,最討厭的就是處理檔案路徑和檔案存放位置。 一、ImageNet分類部分: caffe模型下有一個ex