segformer-pytorch
segformer-pytorch copied to clipboard
bubbliiiing
这是一个segformer-pytorch的源码，可以用于训练自己的模型。
调用torch.jit.script(self.net).save("model.pt")，程序一直报错TypeError: cannot create weak reference to 'numpy.ufunc' object 调用toch.jit.trace(self.net,torch.rand(1,3,256,320)).save("model.pt")可以正常导出模型，但是测试结果和原来的模型（self.net）不一致  左边是直接预测的，右边是用toch.jit.trace(self.net,torch.rand(1,3,256,320)).save("model.pt")导出的模型预测的
如题，我训练官方voc数据集是正常的，但是使用自己的数据集训练，loss会减小至负值。 交叉熵损失我的理解是不可能有负值，请问Up主能不能提供一些解决思路？非常感谢。
博主您好，我这边用了您的segmentation代码，测试了一些图片是有效果的，但是验证集的F1得分是不断下降的，请问这是什么原因呢？ 
泡泡哥，SegFormer类的init方法里，对于b0到b5使用了不同的embedding_dim。这里的embedding_dim使用不同输出维度的依据是什么？如果使用别的backbone的话embedding_dim该如何选取呢？有什么说法吗？
Fail To Load Key: ['backbone.patch_embed1.proj.weight', 'backbone.patch_embed1.proj.bias', 'backbone.patch_embed1.norm.weight', 'backbone.patch_embed1.norm.bias', 'backbone.block1.0.norm1.weight', 'backbone.block1.0.norm1.bias', 'backbone.block1.0.attn.q.weight', 'backbone.block1.0.attn.q.bias', 'backbone.block1.0.attn.sr.weight', 'backbone.block1.0.attn.sr.bias', 'backbone.block1.0.attn.norm.weight', 'backbone.block1.0.attn.norm.bias', 'backbone.block1.0.attn.kv.weight', 'backbone.block1.0.attn.kv.bias', 'backbo …… Fail To Load Key num: 178
CUDA out of memory. Tried to allocate 320.00 MiB. GPU 0 has a total capacity of 8.00 GiB of which 0 bytes is free. Of the allocated memory 6.84 GiB...
我的数据集是3000张单标签的，只针对单类的数据，即numclasses=2 。 效果惨不忍睹，和大佬复现的那个deeplabv3+模型，miou差了10-20，相同数据集，相同参数下，deeplabv3+ ，我训练出来的的miou可以到99.5，背景的iou是99.9，标签的iou是99。但是这个segformer我测试了b0 和b2 ，b2稳定下来是miou 是90.9，背景是iou是98.85，标签iou只有84.0。看了mask的叠加图，都错位了。然后又测了b0，好家伙，miou到80多就升不上去了。@bubbliiiing 哥 能不能稍微解惑一下。我前几天也测试了 https://github.com/OpenGVLab/InternImage 这里面的 InternImage+Mask2Former ，使用的是dcn，现在dcn v4 也出来了，大佬有没有兴趣搭建一下。  
最近尝试在博主的segformer和mmseg中的segformer都进行相同任务训练，发现mm中的性能要高几个点，我仔细对照了mm中的参数文件跟博主定义的是完全一样的，是数据增强的问题还是指标定义的不同会导致该问题呢
