peach-xiao
peach-xiao
我想使用Resnet的模型做实验，但是我看到Passleseg提供的是resnet-vc版本，我只想用最原始的实现和模型，就和pytorch库timm一样的，不需要变体，因为我其他模型也没有使用变体。请问哪里可以下载paddlse代码的实现resnet和相应的预训练模型.pdparams呢？因为不一致的话加载模型会出错。 感谢！！！
您好！我在使用PaddleViT设计自己的模型，对于实验的结果我遇到了一些问题，希望可以得到帮助。首先，因为PaddleViT和PaddleSeg计算评价指标的代码我都仔细看了，是一样的。可以查阅https://github.com/BRIDL/PaddleViT/blob/develop/semantic_segmentation/src/utils/metrics.py, 以下图片是我在数据集上的实验结果，框起来的是我用PaddleViT平台跑出来的实验结果。其余的FCN、PSPNet等模型是我自己的代码的结果。  OA和Miou的计算公式是:   按理说mIOU值大的OA也应该高才对，从我的实验结果在的确是mIOU达到了最高，但是OA的指标是最低的，这很明显有问题 问题1：paddleseg/utils/metrics.py中的函数：def class_measurement: --- mean_acc是不是论文中常见的OA指标？如果不是，应该怎样通过三个参数intersect_area， pred_area， label_area实现呢   问题2：能简单解释一下是Paddle怎么计算评价指标的吗？代码显示mIOU, OA都没有根据混淆矩阵计算，而是使用的三个参数： intersect_area， pred_area， label_area进行计算，对应于混淆矩阵应该怎样理解这三个参数呢，如intersect_area就是混淆矩阵对角线素元素和np.diag(hist)，其他的 hist.sum(axis=1) ，hist.sum(axis=0)又是怎么对应的呢？ 问题3：以下是我在验证过程中使用的代码，是我的计算方式出问题了吗？上图中自己实现的一些模型FCN，PSPNet（没有使用paddle平台）等模型虽然mIOU的很低，但是mIOU相对较高？而我使用paddleViT运行的模型mIOU都达到了72.99，OA却只有85.73的情况？我想整合这两个评价指标。 在验证过程中调用评价指标函数  评价函数具体实现：通过混淆矩阵计算    ...
我在使用PSPNet运行自己的数据集，实在是没有找到为什么optimizer.step()这里会出现TypeError: 'str' object is not callable错误，我尝试着将Image和label的值都打印出来查看了，里面是有值的，计算的loss也是有值的，这可能是哪里出现了问题呢？希望可以得到帮助 注意：我没有改动任何和模型有关的文件，仅仅修改了配置相应的.yml文件和加载数据集的.py文件，下面是报错的信息：   这是我加载的数据集文件（已做修改）   配置文件pspnet.yml信息   期待您的回复，万分感谢！！！
我想用PaddleVIT做语义分割任务，有些backbone并没有提供预训练模型Backbone_checkpoint，比如Swin_Tiny，Swin_Small, 但是我在paddleClas有找到这些模型，在加载的时候出现了对于不匹配的问题，请问采用的是什么解决方案呢？ 
很多论文中为了解释模型的可行性，采用了可视化模型输出的某一层特征图，使用热力图显示，注意基于TransFormer和CNN的模型可视化方法有所不同，PaddleVIT能否集成这些可视化方案呢？ 目前已有人实现了这些方法，可以参考这些github连接： https://github.com/hila-chefer/Transformer-Explainability https://github.com/jacobgil/pytorch-grad-cam 
您好！在使用PaddleVIT用于语义分割的过程中，我遇到了问题，希望可以得到您的帮助： 我研究了train.py在训练过程中保存的部分代码，采用的策略是根据训练的 Iter 次数（如：2000次保存一次模型），然后根据配置保留最新的10个模型，我有一个疑问，在训练过程中模型其实很有可能就已经达到最优了，再继续训练会导致过拟合的问题。也就是说其实最后保留的10个模型里面，很有可能在验证集上的结果不是最优的甚至更差，这样并不能在验证集反映一个模型的好坏。 采用这样的策略：在训练集上训练一次，然后在验证集上验证一次，若比之前的效果好，就更新最好的模型，训练完成后也就保留在验证集上评价指标最好的模型，这样的话是不是会更好？ 但是我发现，不管是一些框架，或是一些顶级期刊论文中提供的代码，他们采用的训练方案和你们一样的保留模型的方法，如：迭代次数160k，然后训练完成后用最后的模型进行验证（但是我认为最后的模型可能不是最好的）。希望可以得到相应的解释，非常感谢！ 
您好！我在使用PaddleViT语义分割用于自己的数据集的时候遇到了问题，希望您可以抽空帮我解决一下 1.使用自己的数据集用于语义分割，或者Cityscapes，ADE20K等数据集，lable标签载入应该是彩色的图片，还是已经将颜色（如0，255，255）转换为对应类别（如类别1，）后的黑色图片呢？目前我没有在代码中找到label标签颜色和类别转换的代码。 2.为什么使用数据增强策略，在模型是val的时候，图片进行了数据增强，而label没有对应的也进行相应的变换。而是直接open图片？如在semantic_segementation/src/datasets/ade.py和vaihingen.py if self.mode == 'val': img, _ = self.transforms(img=image_path) # --> img进行相应的缩放，裁剪等数据增强策略 label = np.asarray(Image.open(label_path)) #--> label为什么不做对应的数据增强，如缩放，裁剪 label = label - 1 label = label[np.newaxis, :, :] return...
我想计算基于Transformer的一些分割模型的FLOPs用于评估实验模型的性能, 使用的是Paddle.flops来计算，但是出现了一些无法统计的情况（ Treat it as zero FLOPs），是不是这样计算出来的FLOPs的值是不准确的呢？可以如何解决？ 我看到的是需要自己定义用于实现对自定义网络层的统计，也就是参数custom_ops，目前只找到了官方提供的用于计算paddle.nn.SyncBatchNorm的方法， 但是我不知道怎么设计用于计算.MaxPool2D、.LayerNorm、.GroupNorm、 .GELU、 Embedding这些函数，如果不计算的话，最后得出的FLOPs值应该有较大的差异，可以帮我解决这个问题吗？   下面是的的结果：   ... 
DFN边界模块用的损失函数是FocalLoss，您给的代码中没有提供这个损失函数，如果你实现了的话可以提供一下吗？