Última pergunta sobre Computer Vision

0
Responda

Arquivo não encontrado ou corrompido ao carregar o conjunto de dados CUB-200-2011

import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Cub2011(Dataset): base_folder='CUB_200_2011/images' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' filename='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init__(self, root, train=True, transform=None, loader=default_loader, download=True): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader self.train=train if download: self._download() def _load_metadata(self): images=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'images.txt'), sep=' ', names=['img_id', 'filepath']) image_class_labels=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'image_class_labels.txt'), sep=' ', names=['img_id', 'target']) train_test_split=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'train_test_split.txt'), sep=' ', names=['img_id', 'is_training_img']) data=images.merge(image_class_labels, on='img_id') self.data=data.merge(train_test_split, on='img_id') if self.train: self.data=self.data[self.data.is_training_img==1] else: self.data=self.data[self.data.is_training_img==0] def _download(self): import tarfile download_url(self.url, self.root, self.filename, self.tgz_md5) with tarfile.open(os.path.join(self.root, self.filename),"r:gz") as tar: tar.extractall(path=self.root) def __len__(self): return len(self.data) def __getitem__(self, idx): sample=self.data.iloc[idx] path=os.path.join(self.root, self.base_folder, sample.filepath) target=sample.target -1 img=self.loader(path) if self.transform is not None: img=self.transform(img) return img, target import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Cub2011(Dataset): base_folder='CUB_200_2011/images' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' filename='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init__(self, root, train=True, transform=None, loader=default_loader, download=True): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader self.train=train if download: self._download() def _load_metadata(self): images=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'images.txt'), sep=' ', names=['img_id', 'filepath']) image_class_labels=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'image_class_labels.txt'), sep=' ', names=['img_id', 'target']) train_test_split=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'train_test_split.txt'), sep=' ', names=['img_id', 'is_training_img']) data=images.merge(image_class_labels, on='img_id') self.data=data.merge(train_test_split, on='img_id') if self.train: self.data=self.data[self.data.is_training_img==1] else: self.data=self.data[self.data.is_training_img==0] def _download(self): import tarfile download_url(self.url, self.root, self.filename, self.tgz_md5) with tarfile.open(os.path.join(self.root, self.filename),"r:gz") as tar: tar.extractall(path=self.root) def __len__(self): return len(self.data) def __getitem__(self, idx): sample=self.data.iloc[idx] path=os.path.join(self.root, self.base_folder, sample.filepath) target=sample.target -1 img=self.loader(path) if self.transform is not None: img=self.transform(img) return img, target import os importar pandas como pd importar numpy como np de torchvision.datasets.folder import default_loader de torchvision.datasets.utils import download_url from torch.utils.data import Dataset classe Cub2011 (conjunto de dados): base_folder='CUB_200_2011/imagens' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' filename='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init __ (self, root, train=True, transform=None, loader=default_loader, download=True): self.root=os.path.expanduser (root) self.transform=transform self.loader=default_loader self.train=train se baixar: self._download () def _load_metadata (self): images=pd.read_csv (os.path.join (self.root, 'CUB_200_2011', 'images.txt'), sep='', nomes=['img_id', 'caminho do arquivo']) image_class_labels=pd.read_csv (os.path.join (self.root, 'CUB_200_2011', 'image_class_labels.txt'), sep='', nomes=['img_id', 'destino']) train_test_split=pd.read_csv (os.path.join (self.root, 'CUB_200_2011', 'train_test_split.txt'), sep='', nomes=['img_id', 'is_training_img']) data=images.merge (image_class_labels, on='img_id') self.data=data.merge (train_test_split, on='img_id') se self.train: self.data=self.data[self.data.is_training_img==1] outro: self.data=self.data[self.data.is_training_img==0] def _download (self): importar tarfile download_url (self.url, self.root, self.filename, self.tgz_md5) com tarfile.open (os.path.join (self.root, self.filename),"r: gz") como tar: tar.extractall (path=self.root) def __len __ (self): return len (self.data) def __getitem __ (self, idx): amostra=self.data.iloc[idx] path=os.path.join (self.root, self.base_folder, sample.filepath) target=sample.target -1 img=self.loader (caminho) se self.transform não for Nenhum: img=self.transform (img) return img, target Tentei carregar o conjunto de dados CUB-200-2011 pelo código acima,

machine learning computer vision deep learning pytorch torchvision

0
Responda

Medida de similaridade para nuvens de pontos

Atualmente, estou fazendo um projeto relacionado ao uso de nuvem de pontos. Meu objetivo final é usar a nuvem de pontos para encontrar uma outra nuvem de pontos semelhante. Eu vi alguns posts sobre o uso de distância de chanfro ou similaridade de cosseno. Você poderia me recomendar algumas maneiras inteligentes de medir semelhanças entre duas nuvens de pontos? Obrigado

python computer vision 3d geometry similarity

0
Responda

Por que minha precisão está saturando a um valor muito baixo no aprendizado por transferência?

Estou treinando um modelo de Reconhecimento Ótico de Caracteres da Língua Gujarati usando aprendizagem por transferência. A imagem de entrada é uma imagem de personagem. Eu fiz 37 aulas. O total de imagens de treinamento é de 22.200 (600 por aula) e as imagens de teste são de 5920 (160 por aula). Minhas imagens de entrada são 32x32. Mas estou obtendo precisão extremamente baixa.

transfer learning ocr cnn pre trained model computer vision

0
Responda

Como converter um modelo de segmentação U-Net para TensorRT no NVIDIA Jetson Nano? (erro eliminado do processo)

Treinei um modelo de segmentação U-Net com Keras (usando backend TF). Estou tentando converter seu gráfico congelado (.pb) para o formato TensorRT no Jetson Nano, mas o processo é eliminado (como mostrado abaixo). Eu vi em outros posts que isso pode estar relacionado a um problema de «falta de memória». Para se saber, já tenho um modelo SSD MobileNet V2 rodando no Jetson Nano.

tensorrt computer vision nvidia jetson nano deep learning embedded

Etiquetas quentes

© 2021   OlaMundo.Org