您当前的位置: 首页 > 
  • 2浏览

    0关注

    417博文

    0收益

  • 0浏览

    0点赞

    0打赏

    0留言

私信
关注
热门博文

行人检测0-04:LFFD-预训练模型验证与测试

江南才尽,年少无知! 发布时间:2019-10-16 19:38:17 ,浏览量:2

以下链接是个人关于LFFD(行人检测)所有见解,如有错误欢迎大家指出,我会第一时间纠正。有兴趣的朋友可以加微信:17575010159 相互讨论技术。若是帮助到了你什么,一定要记得点赞!因为这是对我最大的鼓励。 文 末 附 带 \color{blue}{文末附带} 文末附带 公 众 号 − \color{blue}{公众号 -} 公众号− 海 量 资 源 。 \color{blue}{ 海量资源}。 海量资源。

行人检测0-00:LFFD-史上最新无死角详细解读:https://blog.csdn.net/weixin_43013761/article/details/102592374

新的启程

首先,大家通过下面的链接,可以下载到代码和论文: 行人检测0-01:LFFD-资源下载(前奏准备篇):https://blog.csdn.net/weixin_43013761/article/details/102592829

套路总是那么的相似,我们依旧先阅读根目录下面的README.md。 在这里插入图片描述 通过该链接,下载到作者已经清洗好的数据集,然后没有什么有用的信息,都是些对比的实验结果,然后其推荐我进入pedestrian_detection目录,进入之后,才看该目录下的README.md。我们可以看到 在这里插入图片描述

直到末尾可以看到: 在这里插入图片描述 那么我们就去运行这个程序吧:./accuracy_evaluation/predict.py。本人在使用pycham运行的时候,报了如下错误: 在这里插入图片描述

D:\3.Anaconda3\python.exe E:/1.PaidOn/6.Detection/1.pedestrian/1.LFFD/A-Light-and-Fast-Face-Detector-for-Edge-Devices-master/pedestrian_detection/accuracy_evaluation/predict.py
Traceback (most recent call last):
  File "E:/1.PaidOn/6.Detection/1.pedestrian/1.LFFD/A-Light-and-Fast-Face-Detector-for-Edge-Devices-master/pedestrian_detection/accuracy_evaluation/predict.py", line 297, in 
    run_prediction_pickle()
  File "E:/1.PaidOn/6.Detection/1.pedestrian/1.LFFD/A-Light-and-Fast-Face-Detector-for-Edge-Devices-master/pedestrian_detection/accuracy_evaluation/predict.py", line 224, in run_prediction_pickle
    from config_farm import configuration_30_320_20L_4scales_v1 as cfg
ModuleNotFoundError: No module named 'config_farm'

在文件开头,添加如下代码可以解决:

import sys
sys.path.append('../')

然后再重新运行,继续报错如下: 在这里插入图片描述

FileNotFoundError: [Errno 2] No such file or directory: '../data_provider_farm/data_folder/data_list_caltech_test.pkl'

该文件,就是我们前面下载的测试和训练数据,放到指定的目录下就可以了,没有的目录请手动创建。

测试结果

再运行走大家看到的可能是很小的,黑色图片,暂时我也不知道是怎么东西。然后你按任意按键,不停的按就可以了。最后出现如下图片: 在这里插入图片描述 在这里插入图片描述 在这里插入图片描述 这样,我们的测试就成功了。

既然预测成功了,接下来当然就是去学会如何制作自己的训练数据了,然后训练模型。请看下篇博客!

在这里插入图片描述

关注
打赏
1592542134
查看更多评论
立即登录/注册

微信扫码登录

0.0401s