SPTSv2
SPTSv2 copied to clipboard
bytedance
The official implementation of SPTS v2: Single-Point Text Spotting
请问Transformer Encoder为什么采用的是Swin Transformer而不是最原始的Transformer呢，不明白为什么要用Swin呢，毕竟ResNet最后一层的输出特征图并不大
作者您好， 十分感谢您的慷慨分享，使我从论文和代码中学习和收获良多。 情况如下：我尝试用现有代码，训练体量和英文数据库相当的中文数据（200k左右张图片） 参考论文，将学习率设置为5e-4，并将epochs设置为150；同时，根据我自己的训练条件，vocab_size=6w左右，使用GPU资源 8xA6000，batchsize=1。 我有两点问题向您请教： （1）完成1个epochs需要4小时左右，那么估算来150epochs至少要25天，这和您的训练时长是相符的吗？因为我发现代码中并没有结束1epoch就进行evaluation的部分，而是一直训下去，evaluation是要单独运行的，这意味着训练过程不会early stop。 （2）训练loss在3epochs后下降到0.4左右，这个数字合理吗？因为我看最早一次对epoch checkpoint保存是10 epoch，在这之前只是不断更新checkpoint.pth，我理解这是到10epochs左右测试才比较有意义，但是到了3epochs loss=0.4左右的时候，loss的下降就变得缓慢了，请问这样正常吗？ 再次感谢~期待您的回复。
张老师您好！我使用您的代码训练了自己的模型，但是在我使用刚训练好的模型去识别我的数据集时，却没有结果。经过检查，是engine_sptsv2.py中的visualize 默认为false,但是我用您提供的模型去训练，却没有这个问题。想问下您，应该怎么处理呢？
安装问题
Building wheels for collected packages: cryptacular Building wheel for cryptacular (pyproject.toml) ... done WARNING: Building wheel for cryptacular failed: [Errno 2] No such file or directory: 'C:\\Users\\17378\\AppData\\Local\\Temp\\pip-wheel-brwnhhu4\\cryptacular-1.6.2-cp37-cp37m-win_amd64.whl' Failed to build...
 
