Warm tip: This article is reproduced from serverfault.com, please click

mask python tensor

python-对MaskRCNN进行有关自定义数据问题的培训

(python - Training MaskRCNN on custom data issue)

发布于 2020-12-27 12:22:26

我正在尝试在平面图的自定义数据集中训练Mask RCNN。我正在中型网站上关注此文章，以做到这一点：https : //medium.com/analytics-vidhya/a-simple-guide-to-maskrcnn-custom-dataset-implementation-27f7eab381f2。

在注释格式和软件包方面遇到了一些问题之后，我开始进行模型训练。但是，我偶然发现了以下错误代码：

Traceback (most recent call last):
  File "custom.py", line 391, in <module>
    train(model)
  File "custom.py", line 222, in train
    layers='heads')
  File "C:...\Custom_MaskRCNN-master\mrcnn\model.py", line 2356, in train
    self.compile(learning_rate, self.config.LEARNING_MOMENTUM)
  File "C:...\Custom_MaskRCNN-master\mrcnn\model.py", line 2201, in compile
    self.keras_model.add_metric(loss, name)
AttributeError: 'Model' object has no attribute 'add_metric'

我找不到有关此错误的任何信息，希望有人可以提供帮助或提供有关如何解决此问题的指示。

Questioner

Sam V

Viewed

11

Original

English

Swishonary 2020-12-27 22:30:49

如我们所见，需求文件未指定确切的TF＆Keras版本，而仅指定了下限。

#requirements.txt
numpy
scipy
Pillow
cython
matplotlib
scikit-image
tensorflow>=1.3.0
keras>=2.0.8
opencv-python
h5py
imgaug
IPython[all]

创建环境时，将安装TensorFlow＆Keras的最新版本。由于已对这些框架进行了重大的版本更新，因此可能不建议使用“ add_metric”方法或将其移至已安装的最新版本中的另一个类。请注意，与本文相关联的回购协议的作者在过去两年中尚未更新。甚至是此存储库所基于的原始存储库的作者，都尚未对其进行更新（原始存储库：https : //github.com/matterport/Mask_RCNN）。一旦解决了当前的错误，你很可能将面临更多的错误。

解决此问题的一种方法是将TF和Keras版本降级（tensorflow降至1.3.0，keras降至2.0.8可以解决）。

最好的做法是使用TensorFlow提供的官方转换工具来移植代码，以将TF1.x代码转换为TF2.x或使用已经转换了代码的回购协议。

具有更新的TF和Keras的MaskRCNN Repo：https : //github.com/ahmedfgad/Mask-RCNN-TF2

希望对你有所帮助！干杯:)

热门帖子

1

google doc如何快速插入日期时间？

2

求一个 Spotify 长期车

3

C++新手，求助一个关于怎么使用第三方库的问题

4

西安出个联通千兆宽带

5

关于英语学习的重要性的思考

6

出美版 iPhone 13promax， V 友 4600 吧

7

这里分享一个免费的在线 PDF 总结工具： NoteGPT

8

没想到 Arc 浏览器对网络要求如此严格

9

国内用户 android 手机如何使用 chatgpt 客户端

10

深陷消费主义陷阱的背后，是我空洞的灵魂

热门github

1

Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information (翻译：论文实现——YOLOv9: Learning What You Want to Learn using Programmable Gradient Information（利用可编程梯度信息学习您想学的内容）)

2

A Windows and Office activator using HWID / Ohook / KMS38 / Online KMS activation methods, with a focus on open-source code and fewer antivirus detections. (翻译：使用 HWID / KMS38 / Online KMS 激活方法激活 Microsoft 产品的脚本集合，重点是开源代码、较少的防病毒检测和用户友好性。)

3

Get up and running with Llama 2, Mistral, Gemma, and other large language models. (翻译：启动并运行 Llama 2、Mistral、Gemma 和其他大型语言模型。)

4

该项目可以让你通过订阅的方式使用Cloudflare WARP+，自动获取流量。This project enables you to use Cloudflare WARP+ through subscription, automatically acquiring traffic.

5

Multi functional app to find duplicates, empty folders, similar images etc. (翻译：多功能应用程序可查找重复项、空文件夹、相似图像等。)

6

Xray panel supporting multi-protocol multi-user expire day & traffic & ip limit (Vmess & Vless & Trojan & ShadowSocks & Wireguard) (翻译：Xray面板支持多协议多用户到期日&流量&IP限制（Vmess & Vless & Trojan & ShadowSocks & Wireguard)

7

The Free Software Media System (翻译：Jellyfin 是一个免费软件媒体系统，可让您控制管理和流式传输您的媒体。它是专有 Emby 和 Plex 的替代方案，通过多个应用程序从专用服务器向最终用户设备提供媒体。)

8

lightweight, standalone C++ inference engine for Google's Gemma models. (翻译：适用于 Google Gemma 模型的轻量级独立 C++ 推理引擎。)

9

📚 Freely available programming books (翻译：📚 免费提供的编程书籍)

10

A collective list of free APIs (翻译：免费 API 的集合列表)

11

1️⃣🐝🏎️ The One Billion Row Challenge -- A fun exploration of how quickly 1B rows from a text file can be aggregated with Java (翻译：十亿行挑战 —— 使用 Java 对文本文件中的 10 亿行数据进行聚合的有趣探索)

12

🎓 Path to a free self-taught education in Computer Science! (翻译：🎓计算机科学免费自学教程！)

13

Curso para aprender el lenguaje de programación Python desde cero y para principiantes. 75 clases, 37 horas en vídeo, código, proyectos y grupo de chat. Fundamentos, frontend, backend, testing, IA... (翻译：从零开始学习 Python 编程语言的课程，适合初学者)

14

This repository contains System Design resources which are useful while preparing for interviews and learning Distributed Systems (翻译：该存储库包含系统设计资源，在准备面试和学习分布式系统时非常有用)

15

Mamba is a new state space model architecture showing promising performance on information-dense data such as language modeling, where previous subquadratic models fall short of Transformers. It is based on the line of progress on structured state space models, with an efficient hardware-aware design and implementation in the spirit of FlashAttention. (翻译：Mamba 是一种新的状态空间模型架构，在信息密集型数据（例如语言建模）上显示出良好的性能，而之前的二次模型在 Transformers 方面存在不足。它基于结构化状态空间模型的进展，并本着FlashAttention的精神进行高效的硬件感知设计和实现。)