Shortcuts

常见问题解答

本文这里列出了用户们遇到的一些常见问题,及相应的解决方案。 如果您发现了任何社区中经常出现的问题,也有了相应的解决方案,欢迎充实本文档来帮助他人。 如果本文档不包括您的问题,欢迎使用提供的 模板 创建问题,还请确保您在模板中填写了所有必需的信息。

安装

  • “No module named ‘mmcv.ops’”; “No module named ‘mmcv._ext’”

    1. 使用 pip uninstall mmcv 卸载环境中已安装的 mmcv

    2. 遵循 MMCV 安装文档 来安装 mmcv-full

  • “OSError: MoviePy Error: creation of None failed because of the following error”

    参照 MMAction2 安装文档

    1. 对于 Windows 用户,ImageMagick 不再被 MoviePy 自动检测, 需要获取名为 magick 的 ImageMagick 二进制包的路径,来修改 moviepy/config_defaults.py 文件中的 IMAGEMAGICK_BINARY,如 IMAGEMAGICK_BINARY = "C:\\Program Files\\ImageMagick_VERSION\\magick.exe"

    2. 对于 Linux 用户,如果 ImageMagick 没有被 moviepy 检测,需要注释掉 /etc/ImageMagick-6/policy.xml 文件中的 <policy domain="path" rights="none" pattern="@*" />,即改为 <!-- <policy domain="path" rights="none" pattern="@*" /> -->

  • “Please install XXCODEBASE to use XXX”

    如得到报错消息 “Please install XXCODEBASE to use XXX”,代表 MMAction2 无法从 XXCODEBASE 中 import XXX。用户可以执行对应 import 语句定位原因。 一个可能的原因是,对于部分 OpenMMLAB 中的代码库,需先安装 mmcv-full 后再进行安装。

数据

  • FileNotFound 如 No such file or directory: xxx/xxx/img_00300.jpg

    在 MMAction2 中,对于帧数据集,start_index 的默认值为 1,而对于视频数据集, start_index 的默认值为 0。 如果 FileNotFound 错误发生于视频的第一帧或最后一帧,则需根据视频首帧(即 xxx_00000.jpgxxx_00001.jpg)的偏移量,修改配置文件中数据处理流水线的 start_index 值。

  • 如何处理数据集中传入视频的尺寸?是把所有视频调整为固定尺寸,如 “340x256”,还是把所有视频的短边调整成相同的长度(256像素或320像素)?

    从基准测试来看,总体来说,后者(把所有视频的短边调整成相同的长度)效果更好,所以“调整尺寸为短边256像素”被设置为默认的数据处理方式。用户可以在 TSN 数据基准测试SlowOnly 数据基准测试 中查看相关的基准测试结果。

  • 输入数据格式(视频或帧)与数据流水线不匹配,导致异常,如 KeyError: 'total_frames'

    对于视频和帧,我们都有相应的流水线来处理。

    对于视频,应该在处理时首先对其进行解码。可选的解码方式,有 DecordInit & DecordDecode, OpenCVInit & OpenCVDecode, PyAVInit & PyAVDecode 等等。可以参照 这个例子

    对于帧,已经事先在本地对其解码,所以使用 RawFrameDecode 对帧处理即可。可以参照 这个例子

    KeyError: 'total_frames' 是因为错误地使用了 RawFrameDecode 来处理视频。当输入是视频的时候,程序是无法事先得到 total_frame 的。

训练

  • 如何使用训练过的识别器作为主干网络的预训练模型?

    参照 使用预训练模型, 如果想对整个网络使用预训练模型,可以在配置文件中,将 load_from 设置为预训练模型的链接。

    如果只想对主干网络使用预训练模型,可以在配置文件中,将主干网络 backbone 中的 pretrained 设置为预训练模型的地址或链接。 在训练时,预训练模型中无法与主干网络对应的参数会被忽略。

  • 如何实时绘制训练集和验证集的准确率/损失函数曲线图?

    使用 log_config 中的 TensorboardLoggerHook,如:

    log_config=dict(
        interval=20,
        hooks=[
            dict(type='TensorboardLoggerHook')
        ]
    )
    

    可以参照 教程1:如何编写配置文件教程7:如何自定义模型运行参数,和 这个例子 了解更多相关内容。

  • 在 batchnorm.py 中抛出错误: Expected more than 1 value per channel when training

    BatchNorm 层要求批大小(batch size)大于 1。构建数据集时, 若 drop_last 被设为 False,有时每个轮次的最后一个批次的批大小可能为 1,进而在训练时抛出错误,可以设置 drop_last=True 来避免该错误,如:

    train_dataloader=dict(drop_last=True)
    
  • 微调模型参数时,如何冻结主干网络中的部分参数?

    可以参照 def _freeze_stages()frozen_stages。在分布式训练和测试时,还须设置 find_unused_parameters = True

    实际上,除了少数模型,如 C3D 等,用户都能通过设置 frozen_stages 来冻结模型参数,因为大多数主干网络继承自 ResNetResNet3D,而这两个模型都支持 _freeze_stages() 方法。

  • 如何在配置文件中设置 load_from 参数以进行模型微调?

    MMAction2 在 configs/_base_/default_runtime.py 文件中将 load_from=None 设为默认。由于配置文件的可继承性,用户可直接在下游配置文件中设置 load_from 的值来进行更改。

测试

  • 如何将预测分值用 softmax 归一化到 [0, 1] 区间内?

    可以通过设置 model['test_cfg'] = dict(average_clips='prob') 来实现。

  • 如果模型太大,连一个测试样例都没法放进显存,怎么办?

    默认情况下,3D 模型是以 10 clips x 3 crops 的设置进行测试的,也即采样 10 个帧片段,每帧裁剪出 3 个图像块,总计有 30 个视图。 对于特别大的模型,GPU 显存可能连一个视频都放不下。对于这种情况,您可以在配置文件的 model['test_cfg'] 中设置 max_testing_views=n。 如此设置,在模型推理过程中,一个批只会使用 n 个视图,以节省显存。

  • 如何保存测试结果?

    测试时,用户可在运行指令中设置可选项 --out xxx.json/pkl/yaml 来输出结果文件,以供后续检查。输出的测试结果顺序和测试集顺序保持一致。 除此之外,MMAction2 也在 tools/analysis/eval_metric.py 中提供了分析工具,用于结果文件的模型评估。

部署

  • 为什么由 MMAction2 转换的 ONNX 模型在转换到其他框架(如 TensorRT)时会抛出错误?

    目前只能确保 MMAction2 中的模型与 ONNX 兼容。但是,ONNX 中的某些算子可能不受其他框架支持,例如 这个问题 中的 TensorRT。当这种情况发生时,如果 pytorch2onnx.py 没有出现问题,转换过去的 ONNX 模型也通过了数值检验,可以提 issue 让社区提供帮助。

Read the Docs v: latest
Versions
latest
stable
1.x
v1.0.0rc1
dev-1.x
Downloads
pdf
html
epub
On Read the Docs
Project Home
Builds

Free document hosting provided by Read the Docs.