webber.cai

> > > > > > > The data preparation is almost the same as MMDetection. You can refer [custom.py](https://github.com/jbwang1997/OBBDetection/blob/master/mmdet/datasets/custom.py) for the data structure. > > > > > >...

I also encountered this problem. I solved it by replacing false with ”false“.

hey, i also have this problem, the function “decodeDetections” is very very slow. almost 80ms in jetson nx.

same issue

I encountered a similar problem lmdeploy - ERROR - engine.py:950 - Task failed Traceback (most recent call last): File "llm_CoT/lmdeploy/lmdeploy/pytorch/engine/engine.py", line 945, in __task_callback task.result() File "llm_CoT/lmdeploy/lmdeploy/pytorch/engine/engine.py", line 998, in...

> > 1. 你重新混合数据训练的话，不是用 resume，而是应该用 load_from > > 2. 不管是啥数据都支持微调的，ODVG 的微调我们也有例子的，所以是可以的，可以看 LVIS 微调，那个就是 ODVG 格式微调 > > 3. 上面做法没有问题的，就是可能有些参数要调，不同 stage 和不同规模的数据，学习率啥的要调一下 > > 您好， 目前，我已经构建了训练的全流程，步骤如下： 1、使用少量的数据66张（od格式）进行微调，已经完成，检出率和置信度都很好，20个epoch，学习率为0.0001； 2、使用微调后的权重对数据集中其他未打标签数据生成伪标签（200张图片，od格式），设置置信度为0.7； 3、将第二步生成的伪标签和第一步的数据进行混合，并load_from第一步生成的微调权重，其余训练参数与第一步相同，进行微调训练。 > >...