精华内容
下载资源
问答
  • Detectron

    2021-03-22 17:11:26
    Detectron是 Facebook AI 研究院(FAIR )开源的软件系统,实现了最先进的目标检测算法,包括 Mask R-CNN

    Detectron 是 Facebook AI 研究院(FAIR )开源的软件系统,实现了最先进的目标检测算法,包括 Mask R-CNN

     

     

    https://www.jianshu.com/p/818e1cb535e0

     

    展开全文
  • Detectron2软件包 公平Detectron2 Zoo Zoo Backbone / Pretrained模型保存在〜/ .torch / fvcore_cache / detectron2中 训练有素的模型 COCO 2017 Colab下载/设置 设置和安装 Detectron2 GPU # Clone and go into...
  • Detectron2入门教程

    万次阅读 多人点赞 2020-01-18 11:20:58
    目标:走马观花,两天时间浏览Detectron2源码,稍微记录一下。 与 TensorFlow Object Detection API、mmdetection 一样,Detectron2 也是通过配置文件来设置各种参数,所有的相关内容都像搭积木一样一点一点拼凑...

    目录

    1. 概述

    1.1. 自己的源码阅读流程

    1.2. 目录结构

    1.3. 搭积木过程

    1.4. 官方文档阅读

    2. 数据处理

    2.1. 概述

    2.2. 基本流程

    2.3. build_detection_train_loader 方法解析

    2.4. 其他

    3. 模型搭建

    3.1. 概述

    3.2. 基本流程

    3.3. 其他

    4. 训练/评估/预测

    4.1. 概述

    4.2. 训练代码结构


    1. 概述

    1.1. 自己的源码阅读流程

    • 设定目标:
      • 刚刚从TF转向PyTorch,所以希望进一步熟悉PyTorch。
      • 进一步熟悉目标检测、实例分割、关键点检测等模型。
      • 寻找/研究源码中存在的一些tricks。
      • 后续需要通过detectron2来复现新论文。
    • 总结自己之前的一些步骤
      • 第一步:阅读所有官方文档。
      • 第二步:尝试根据 Getting Started 文档内容,运行 demo 中的脚本。
      • 第三步:从数据处理、模型构建、模型训练/预测/评估三个方面,分别浏览源码。
    • 个人感受:
      • PyTorch代码比TensorFlow代码容易多了。
      • Detectron2源码比TensorFlow Object Detection API源码直观多了,上手容易多了。

    1.2. 目录结构

    • configs示例配置文件合集。
    • datasets:数据集准备工作,主要就是各个数据集的基本结构,以及需要如何预处理。
    • demo:快速体验Detectron2,与Getting Started文档对应。如果想要体验Model ZOO中结果的内容就可以用这个。
    • detectron2:项目主要代码都在这里了。
    • dev:一些开发者会用到的脚本。
    • docker:没啥好介绍的。
    • docs:一些官方文档。
    • projects:基于Detectron2的三个项目,DensePose/TensorMask/TridentNet。
      • Detectron2的开发人员介绍,如果想要利用detectron2直接复现所有论文可能比较困难(我的理解就是直接修改detectron2中的代码),一种比较好的方式就是将detectron2作为一个包来调用来构建新的模型。
    • tests:单元测试类。
    • tools:常用脚本,如训练、benchmark、展示数据集等。

    1.3. 搭积木过程

    • Detectron2 的基本思路就是利用配置文件搭积木。
      • 第一步,将模型拆分为多个模块,每个模块可以叫做一个类型的积木。
      • 第二步,构建配置文件。
      • 第三步,通过配置文件,选择对应的积木。
    • 配置文件概述
      • 有一个默认配置文件,即 detectron2/config/default.py 文件。
      • 示例配置文件放在 configs 文件夹中,且使用yaml形式。
      • 所有示例配置文件都是建立在默认配置文件基础上的,即所有示例配置文件中的配置其实都是不全的,缺失的配置需要到默认配置文件中寻找。
        •  detectron2 的配置文件比 mmdetection 看起来简洁很多。
        • 有得必有失,虽然简洁,但在看源码的时候经常需要查看默认配置文件,也不是特别方便。
      • 示例配置文件中有一个_BASE_属性,可以将其他示例配置文件作为基础,如果有冲突则用当前配置文件的信息覆盖。
    • 如何使用配置文件搭积木
      • 模型搭建的Registry机制
        • 调用了 fvcore.common.registry.Registry,该对象的作用是保存一个字典,key为方法/类的名称,value为方法/类,利用 @registry_object.register 修饰目标方法/类,这样可以在导入detectron2的同时将 key/value 保存起来。
        • 对于每一个类型的积木(如backbone, anchor generator, proposal generator, roi head等)都对应一个Registry对象。更多类型可以看 detectron2/modeling/__init__.py 文件。
        • 一般,一个Registry对应一个build.py,主要就是从Registry中通过名称获取方法/类,然后将示例配置文件中参数导入目标方法/类中。
      • 数据集的Registry机制
        • 主要使用了 detectron2/data/catalog.py 中的 MetadataCatalogDatasetCatalog,前者保存了数据集的元数据,后者保留了一个方法,该方法用于获取数据集 list(dict)
        • 使用了Registry机制,但不是通过注解实现的,而是在 detectron2/data/datasets/buildin.py 中调用了 register_all_coco() 等四个方法,这些方法调用了 MetadataCatalogDatasetCatalog的注册方法。
        • 一般建数据集会调用 build_detection_train_loader 方法,该方法会调用DatasetCatalog中的方法,获取 list(dict)
      • 模型训练/预测/评估的的搭积木不复杂,就是根据配置文件,直接创建对应的对象(如lr, optimizer等)。

    1.4. 官方文档阅读

    • 官方文档地址,如果想了解Detectron2的源码,强烈建议先看看。
    • tutorials
      • Installation:安装,没啥好说的。
      • Getting Started with Detectron2:跑个Demo,没啥好说的。
      • Extend Detectron2's Defaults
        • 谈了谈Detectron2的基本设计思路。一方面要有足够的灵活性(做研究总是要做新东西),一方面要有较好的高层抽象。
        • 基本设计思路:所有的方法和类都可以从一个配置文件中获取所需要的参数(配置文件中没有的,就使用默认参数)。
        • 介绍了扩展detectron2的一些相关文档。
      • Use Custom Datasets
        • dataset只是解析数据集,而没有进行数据处理(数据处理在后面dataloader中进行)。
        • dataset的输出将会作为后续dataloader的输入。
        • 自定义数据集步骤:
          • 注册数据集,需要制定数据集名称以及一个 get_dict 方法,该方法用于获取一个 list[dict] 对象,每个字典就是一条输入数据,具体的key列表可以到文档中自己看。
          • 可以注册一些自定义 metadata。
        • 数据集的metadata介绍
          • 一个记录数据库相关信息的字典,比如primitive information that helps interpret what's in the dataset, e.g., names of classes, colors of classes, root of files, etc.
          • 可以通过 MetadataCatalog.get(dataset_name).set(name, value) 为新数据库添加元数据。
      • Use Custom Dataloaders
        • 介绍数据处理模块,其实就是一系列数据增强等操作,以上述dataset的结果作为输入,并作为后续Model的输入。
        • 具体过程如下:
          • 首先,根据数据集名称获取一个已经注册的数据集(就是上面的dataset),获取 list[dict] 对象。
          • 其次,数据增强等其他数据处理流程都内置于 DatasetMapeer 中。
          • 最后,需要batch数据,batch后的数据一般就作为 model.forward() 的输入。
        • 介绍如何自定义Dataloader、使用自定义Dataloader可以参考DensePose的代码。
      • Use Models
        • 主要介绍如何构建模型。
        • 构建模型方式:通过调用 build_model, build_backbonebuild_roi_heads 等方法来构建。
        • 要导入权重可以使用 DetectionCheckpointer(model).load(file_path)
        • 使用模型就是 outputs = model(inputs)
        • 模型输入使用的参数通过 list[dict] 来实现,即上面dataloader的输出,具体的key形式可以参考这个页面中的内容。
        • 模型输出也是一个 list[dict],具体的形式可以参考这篇文章中的内容。
      • Write Models
        • 自定义模型相关。
        • 举了个例子如果自定义backbone该怎么做。
      • Training
        • 就提了下训练相关的代码。
        • 一般使用 tools/plain_train_net.py 来训练模型。
        • 最简单的训练结构是 SimpleTrainer().train()
        • 一般使用的类是 DefaultTrainer().train()
      • Use Configs
        • 介绍了配置系统的基本结构,即使用yaml和yacs来配置。
        • 配置文件的使用,其实就是对 CfgNode 对象的使用。
        • 建议使用配置文件的方式,我比较在意的是 使用_BASE_参数来重复配置定义到一个文件中。
    • notes
    • API Documentation

    2. 数据处理

    2.1. 概述

    • 实现的功能:
      • 解析COCO、cityscapes等数据集。
      • 提供数据预处理以及增强的接口。
      • 通过配置文件即可实现数据集解析、预处理、增强等操作。
    • 主要入口: detectron2/data/build.py 中的 build_detection_train_loaderbuild_detection_test_loader 方法。
    • 相关代码:主要位于 detectron2/detectron2/data 目录下。
    • 相关配置:detectron2/config/defaults.py_C.INPUT _C.DATASETS _C.DATALOADER 开头的配置。

    2.2. 基本流程

    • 第一步:在导入 detectron2 模块时,通过Register机制注册一些常用的数据集。
      • 注册机制可以参考 1.3. 中的内容。
      • 注册代码在 detectron2/detectron2/data/datasets/builtin.py
    • 第二步:通过数据集名称以及完成注册的 DatasetCatalog 对象以及 MetadataCatalog 对象,解析数据集并获取数据集基本信息。
      • 从源码角度看,就是调用了 DatasetCatalog 中的对应的方法,获取 list[dict] 对象。
    • 第三步:通过mapper函数,对解析完的数据集进行进一步处理,包括数据增强,并将修改数据的结构,使之可以直接作为后续模型的输入。
      • 从源码角度理解就是,从 DatasetCatalog 获取的是 list[dict],mapper函数输出的也是 list[dict],但前后两个字典的形式是不一样的,具体可以参考官方文档,里面都有具体的描述。

    2.3. build_detection_train_loader 方法解析

    • 源码位于 detectron2/detectron2/data/build.py 中。
    • 流程:
      • 第一步:获取 list[dict] 对象。先根据数据库名称调用 DatasetCatalog 中的方法,获取原始 list[dict] 对象,再通过一些条件进行筛选。
      • 第二步:构建 DatasetFromList 对象,该类是 torch.utils.data.Dataset 的子类。
      • 第三步:根据mapper对上面的dataset对象进行进一步处理。
        • 浏览了下 DatasetMapper的源码,主要工作包括读取图像、resize、crop、flip、转换数据与标签的形式等。
      • 第四步:构建 torch.utils.data.sampler.Sampler 对象,实现的功能好像包括Repeat Sample、shuffle、batch功能。
      • 第五步:根据上面的 dataset, sampler 等对象构建 torch.utils.data.DataLoader 对象。
    • 感想:
      • 好像也没有什么特别的数据增强工作。
      • Detectron2实现的 DatasetFromListMapDataset等,有点 tf.data 的感觉,挺有意思。

    2.4. 其他

    • 数据增强
      • 方法主要都在 detectron2/detectron2/data/transforms/transform_gen.py 中定义。
      • 调用的话主要是通过 from detectron2.data import transforms as T 以及 T.ResizeShortestEdge 来实现。
      • 在默认实现中,就没用到什么特别的数据增强。具体的可以到 DatasetMapper 的源码中看。

    3. 模型搭建

    3.1. 概述

    • 实现的功能:通过配置文件构建模型。
    • 主要入口:detectron2/detectron2/modeling/meta_arch/build.py 中的 def build_model(cfg) 方法。
    • 相关代码:detectron2/detectron2/modeling 目录下。
    • 相关配置:detectron2/config/defaults.py_C.MODEL 开头的配置。

    3.2. 基本流程

    • 第一步:根据注册机制,在导入 detectron2 时,将各个类型的积木通过注解的方式保存到 Registry 对象中。
    • 第二步:根据配置文件中 META_ARCHITECTURE 参数,选择基本框架,也就是 meta arch。
      • 基本框架(meta arch)的类型没集中,包括 rcnn, retinanet, semantic seg, panoptic 四种。
      • 每个基本框架(meta arch)中都定义了一系列子部件,也都是用Register机制来管理(即通过配置文件与Register对象来构建)。
      • 基本框架的定义中,就包含了模型如何构建、如何训练、如何预测等相关功能。
    • 第三步:通过配置文件分别构建选中meta arch中各个部件。

    3.3. 其他

    • Registry对象列表
      • ANCHOR_GENERATOR_REGISTRY:如何生成anchors。
      • BACKBONE_REGISTRY:主干网络,包括FPN。
      • META_ARCH_REGISTRY:基本网络,总体结构。
      • SEM_SEG_HEADS_REGISTRY:应该是用来做语义分隔的。
      • PROPOSAL_GENERATOR_REGISTRY:Faster RCNN中的Region proposal Network,即如何生成proposals。
      • RPN_HEAD_REGISTRY:第一阶段训练所需的输入。
      • ROI_BOX_HEAD_REGISTRY:ROI Head中的bbox分支。
      • ROI_HEADS_REGISTRY:通过特征图和第一阶段的proposals得到ROI。
      • ROI_KEYPOINT_HEAD_REGISTRY:ROI Head中的keypoint分支。
      • ROI_MASK_HEAD_REGISTRY:ROI Head中的mask分支。
    • 除了通过注册机制管理的部件外,还有一系列模型所需的部件,具体的可以参考 meta_arch 中的相关源码。

    4. 训练/评估/预测

    4.1. 概述

    • 实现的功能:通过配置文件构建模型。
    • 主要入口:detectron2/detectron2/engine/defaults.py 中的 DefaultTrainer, DefaultPredictor
    • 相关代码:主要在 detectron2/detectron2/enginedetectron2/detectron2/solver
    • 相关配置:detectron2/config/defaults.py_C.SOLVER _C.TEST 开头的配置。

    4.2. 训练代码结构

    • 主要包括了:TrainerBase, SimpleTrainer, DefaultTrainer 三个类。
    • TrainerBase
      • 定义在 detectron2/detectron2/engine/train_loop.py 中。
      • 主要功能:
        • 提供了 hooks 机制,可以通过导入 HookBase 对象,在训练过程的各个时间点进行自定义处理。
        • 定义了训练函数为 train(self, start_iter: int, max_iter: int),且维训练提供了一个 EventStorage 对象。
      • 这个与TF中的SessionRunHook类似,只不过TF已经实现在源码里,而Detectron2中是自己实现的。
    • SimpleTrainer
      • 定义在 detectron2/detectron2/engine/train_loop.py 中。
      • 主要功能:在 TrainerBase 的基础上添加了训练所需的基本参数以及最基本的训练过程代码。
      • 基本训练参数指的是 model/data_loader/optimizer
      • 基本训练过程包括位于 run_step 函数中,主要包括的功能是:
        • 导入数据。
        • 计算损失函数(并确保损失函数是有效的)。
        • 记录一些性能指标(包括损失函数、时间点),保存到 EventStorage 对象中。
        • 进行梯度下降操作。
    • DefaultTrainer
      • 定义在 detectron2/detectron2/engine/defaults.py 中。
      • 主要功能:
        • SimpleTrainer 的基础上,提供了通过配置文件创建模型、数据集、优化器、学习率等一系列操作。
        • 提供了 checkpoint 功能。
        • 使用了一系列常见的 hooks。
      • hooks的定义都在 detectron2/detectron2/engine/hooks.py 中。
    展开全文
  • Detectron is deprecated. Please see detectron2, a ground-up rewrite of Detectron in PyTorch. Detectron Detectron is Facebook AI Research's software system that implements state-of-the-art object ...
  • CV之detectron2:detectron2安装过程记录

    千次阅读 2020-01-08 13:58:06
    CV之detectron2:detectron2安装过程记录 detectron2安装记录 python setup.py build develop Microsoft Windows [版本 10.0.14393] (c) 2016 Microsoft Corporation。保留所有权利。 F:\File_Python\...

    CV之detectron2:detectron2安装过程记录

     

     

    detectron2安装记录

    python setup.py build develop

    Microsoft Windows [版本 10.0.14393]
    (c) 2016 Microsoft Corporation。保留所有权利。
    
    F:\File_Python\Python_example\detectron2-master>python setup.py build develop
    No CUDA runtime is found, using CUDA_HOME='D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0'
    running build
    running build_py
    creating build
    creating build\lib.win-amd64-3.6
    creating build\lib.win-amd64-3.6\detectron2
    copying detectron2\__init__.py -> build\lib.win-amd64-3.6\detectron2
    creating build\lib.win-amd64-3.6\detectron2\checkpoint
    copying detectron2\checkpoint\c2_model_loading.py -> build\lib.win-amd64-3.6\detectron2\checkpoint
    copying detectron2\checkpoint\catalog.py -> build\lib.win-amd64-3.6\detectron2\checkpoint
    copying detectron2\checkpoint\detection_checkpoint.py -> build\lib.win-amd64-3.6\detectron2\checkpoint
    copying detectron2\checkpoint\__init__.py -> build\lib.win-amd64-3.6\detectron2\checkpoint
    creating build\lib.win-amd64-3.6\detectron2\config
    copying detectron2\config\compat.py -> build\lib.win-amd64-3.6\detectron2\config
    copying detectron2\config\config.py -> build\lib.win-amd64-3.6\detectron2\config
    copying detectron2\config\defaults.py -> build\lib.win-amd64-3.6\detectron2\config
    copying detectron2\config\__init__.py -> build\lib.win-amd64-3.6\detectron2\config
    creating build\lib.win-amd64-3.6\detectron2\data
    copying detectron2\data\build.py -> build\lib.win-amd64-3.6\detectron2\data
    copying detectron2\data\catalog.py -> build\lib.win-amd64-3.6\detectron2\data
    copying detectron2\data\common.py -> build\lib.win-amd64-3.6\detectron2\data
    copying detectron2\data\dataset_mapper.py -> build\lib.win-amd64-3.6\detectron2\data
    copying detectron2\data\detection_utils.py -> build\lib.win-amd64-3.6\detectron2\data
    copying detectron2\data\__init__.py -> build\lib.win-amd64-3.6\detectron2\data
    creating build\lib.win-amd64-3.6\detectron2\engine
    copying detectron2\engine\defaults.py -> build\lib.win-amd64-3.6\detectron2\engine
    copying detectron2\engine\hooks.py -> build\lib.win-amd64-3.6\detectron2\engine
    copying detectron2\engine\launch.py -> build\lib.win-amd64-3.6\detectron2\engine
    copying detectron2\engine\train_loop.py -> build\lib.win-amd64-3.6\detectron2\engine
    copying detectron2\engine\__init__.py -> build\lib.win-amd64-3.6\detectron2\engine
    creating build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\cityscapes_evaluation.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\coco_evaluation.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\evaluator.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\lvis_evaluation.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\panoptic_evaluation.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\pascal_voc_evaluation.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\sem_seg_evaluation.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\testing.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    copying detectron2\evaluation\__init__.py -> build\lib.win-amd64-3.6\detectron2\evaluation
    creating build\lib.win-amd64-3.6\detectron2\export
    copying detectron2\export\api.py -> build\lib.win-amd64-3.6\detectron2\export
    copying detectron2\export\c10.py -> build\lib.win-amd64-3.6\detectron2\export
    copying detectron2\export\caffe2_export.py -> build\lib.win-amd64-3.6\detectron2\export
    copying detectron2\export\caffe2_inference.py -> build\lib.win-amd64-3.6\detectron2\export
    copying detectron2\export\caffe2_modeling.py -> build\lib.win-amd64-3.6\detectron2\export
    copying detectron2\export\patcher.py -> build\lib.win-amd64-3.6\detectron2\export
    copying detectron2\export\shared.py -> build\lib.win-amd64-3.6\detectron2\export
    copying detectron2\export\__init__.py -> build\lib.win-amd64-3.6\detectron2\export
    creating build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\batch_norm.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\deform_conv.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\mask_ops.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\nms.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\roi_align.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\roi_align_rotated.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\rotated_boxes.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\shape_spec.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\wrappers.py -> build\lib.win-amd64-3.6\detectron2\layers
    copying detectron2\layers\__init__.py -> build\lib.win-amd64-3.6\detectron2\layers
    creating build\lib.win-amd64-3.6\detectron2\modeling
    copying detectron2\modeling\anchor_generator.py -> build\lib.win-amd64-3.6\detectron2\modeling
    copying detectron2\modeling\box_regression.py -> build\lib.win-amd64-3.6\detectron2\modeling
    copying detectron2\modeling\matcher.py -> build\lib.win-amd64-3.6\detectron2\modeling
    copying detectron2\modeling\poolers.py -> build\lib.win-amd64-3.6\detectron2\modeling
    copying detectron2\modeling\postprocessing.py -> build\lib.win-amd64-3.6\detectron2\modeling
    copying detectron2\modeling\sampling.py -> build\lib.win-amd64-3.6\detectron2\modeling
    copying detectron2\modeling\test_time_augmentation.py -> build\lib.win-amd64-3.6\detectron2\modeling
    copying detectron2\modeling\__init__.py -> build\lib.win-amd64-3.6\detectron2\modeling
    creating build\lib.win-amd64-3.6\detectron2\model_zoo
    copying detectron2\model_zoo\model_zoo.py -> build\lib.win-amd64-3.6\detectron2\model_zoo
    copying detectron2\model_zoo\__init__.py -> build\lib.win-amd64-3.6\detectron2\model_zoo
    creating build\lib.win-amd64-3.6\detectron2\solver
    copying detectron2\solver\build.py -> build\lib.win-amd64-3.6\detectron2\solver
    copying detectron2\solver\lr_scheduler.py -> build\lib.win-amd64-3.6\detectron2\solver
    copying detectron2\solver\__init__.py -> build\lib.win-amd64-3.6\detectron2\solver
    creating build\lib.win-amd64-3.6\detectron2\structures
    copying detectron2\structures\boxes.py -> build\lib.win-amd64-3.6\detectron2\structures
    copying detectron2\structures\image_list.py -> build\lib.win-amd64-3.6\detectron2\structures
    copying detectron2\structures\instances.py -> build\lib.win-amd64-3.6\detectron2\structures
    copying detectron2\structures\keypoints.py -> build\lib.win-amd64-3.6\detectron2\structures
    copying detectron2\structures\masks.py -> build\lib.win-amd64-3.6\detectron2\structures
    copying detectron2\structures\rotated_boxes.py -> build\lib.win-amd64-3.6\detectron2\structures
    copying detectron2\structures\__init__.py -> build\lib.win-amd64-3.6\detectron2\structures
    creating build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\collect_env.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\colormap.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\comm.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\env.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\events.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\logger.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\memory.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\registry.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\serialize.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\video_visualizer.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\visualizer.py -> build\lib.win-amd64-3.6\detectron2\utils
    copying detectron2\utils\__init__.py -> build\lib.win-amd64-3.6\detectron2\utils
    creating build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\builtin.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\builtin_meta.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\cityscapes.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\coco.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\lvis.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\lvis_v0_5_categories.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\pascal_voc.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\register_coco.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    copying detectron2\data\datasets\__init__.py -> build\lib.win-amd64-3.6\detectron2\data\datasets
    creating build\lib.win-amd64-3.6\detectron2\data\samplers
    copying detectron2\data\samplers\distributed_sampler.py -> build\lib.win-amd64-3.6\detectron2\data\samplers
    copying detectron2\data\samplers\grouped_batch_sampler.py -> build\lib.win-amd64-3.6\detectron2\data\samplers
    copying detectron2\data\samplers\__init__.py -> build\lib.win-amd64-3.6\detectron2\data\samplers
    creating build\lib.win-amd64-3.6\detectron2\data\transforms
    copying detectron2\data\transforms\transform.py -> build\lib.win-amd64-3.6\detectron2\data\transforms
    copying detectron2\data\transforms\transform_gen.py -> build\lib.win-amd64-3.6\detectron2\data\transforms
    copying detectron2\data\transforms\__init__.py -> build\lib.win-amd64-3.6\detectron2\data\transforms
    creating build\lib.win-amd64-3.6\detectron2\modeling\backbone
    copying detectron2\modeling\backbone\backbone.py -> build\lib.win-amd64-3.6\detectron2\modeling\backbone
    copying detectron2\modeling\backbone\build.py -> build\lib.win-amd64-3.6\detectron2\modeling\backbone
    copying detectron2\modeling\backbone\fpn.py -> build\lib.win-amd64-3.6\detectron2\modeling\backbone
    copying detectron2\modeling\backbone\resnet.py -> build\lib.win-amd64-3.6\detectron2\modeling\backbone
    copying detectron2\modeling\backbone\__init__.py -> build\lib.win-amd64-3.6\detectron2\modeling\backbone
    creating build\lib.win-amd64-3.6\detectron2\modeling\meta_arch
    copying detectron2\modeling\meta_arch\build.py -> build\lib.win-amd64-3.6\detectron2\modeling\meta_arch
    copying detectron2\modeling\meta_arch\panoptic_fpn.py -> build\lib.win-amd64-3.6\detectron2\modeling\meta_arch
    copying detectron2\modeling\meta_arch\rcnn.py -> build\lib.win-amd64-3.6\detectron2\modeling\meta_arch
    copying detectron2\modeling\meta_arch\retinanet.py -> build\lib.win-amd64-3.6\detectron2\modeling\meta_arch
    copying detectron2\modeling\meta_arch\semantic_seg.py -> build\lib.win-amd64-3.6\detectron2\modeling\meta_arch
    copying detectron2\modeling\meta_arch\__init__.py -> build\lib.win-amd64-3.6\detectron2\modeling\meta_arch
    creating build\lib.win-amd64-3.6\detectron2\modeling\proposal_generator
    copying detectron2\modeling\proposal_generator\build.py -> build\lib.win-amd64-3.6\detectron2\modeling\proposal_generator
    copying detectron2\modeling\proposal_generator\proposal_utils.py -> build\lib.win-amd64-3.6\detectron2\modeling\proposal_generator
    copying detectron2\modeling\proposal_generator\rpn.py -> build\lib.win-amd64-3.6\detectron2\modeling\proposal_generator
    copying detectron2\modeling\proposal_generator\rpn_outputs.py -> build\lib.win-amd64-3.6\detectron2\modeling\proposal_generator
    copying detectron2\modeling\proposal_generator\rrpn.py -> build\lib.win-amd64-3.6\detectron2\modeling\proposal_generator
    copying detectron2\modeling\proposal_generator\rrpn_outputs.py -> build\lib.win-amd64-3.6\detectron2\modeling\proposal_generator
    copying detectron2\modeling\proposal_generator\__init__.py -> build\lib.win-amd64-3.6\detectron2\modeling\proposal_generator
    creating build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    copying detectron2\modeling\roi_heads\box_head.py -> build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    copying detectron2\modeling\roi_heads\cascade_rcnn.py -> build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    copying detectron2\modeling\roi_heads\fast_rcnn.py -> build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    copying detectron2\modeling\roi_heads\keypoint_head.py -> build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    copying detectron2\modeling\roi_heads\mask_head.py -> build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    copying detectron2\modeling\roi_heads\roi_heads.py -> build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    copying detectron2\modeling\roi_heads\rotated_fast_rcnn.py -> build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    copying detectron2\modeling\roi_heads\__init__.py -> build\lib.win-amd64-3.6\detectron2\modeling\roi_heads
    creating build\lib.win-amd64-3.6\detectron2\model_zoo\configs
    copying detectron2\model_zoo\configs\Base-RCNN-C4.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs
    copying detectron2\model_zoo\configs\Base-RCNN-DilatedC5.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs
    copying detectron2\model_zoo\configs\Base-RCNN-FPN.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs
    copying detectron2\model_zoo\configs\Base-RetinaNet.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs
    creating build\lib.win-amd64-3.6\detectron2\model_zoo\configs\Cityscapes
    copying detectron2\model_zoo\configs\Cityscapes\mask_rcnn_R_50_FPN.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\Cityscapes
    creating build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_101_C4_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_101_DC5_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_101_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_50_C4_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_50_C4_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_50_DC5_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_50_DC5_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_50_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_R_50_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\faster_rcnn_X_101_32x8d_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\fast_rcnn_R_50_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\retinanet_R_101_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\retinanet_R_50_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\retinanet_R_50_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\rpn_R_50_C4_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    copying detectron2\model_zoo\configs\COCO-Detection\rpn_R_50_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Detection
    creating build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_101_C4_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_101_DC5_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_101_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_50_C4_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_50_C4_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_50_DC5_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_50_DC5_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_50_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_R_50_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    copying detectron2\model_zoo\configs\COCO-InstanceSegmentation\mask_rcnn_X_101_32x8d_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-InstanceSegmentation
    creating build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Keypoints
    copying detectron2\model_zoo\configs\COCO-Keypoints\Base-Keypoint-RCNN-FPN.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Keypoints
    copying detectron2\model_zoo\configs\COCO-Keypoints\keypoint_rcnn_R_101_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Keypoints
    copying detectron2\model_zoo\configs\COCO-Keypoints\keypoint_rcnn_R_50_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Keypoints
    copying detectron2\model_zoo\configs\COCO-Keypoints\keypoint_rcnn_R_50_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Keypoints
    copying detectron2\model_zoo\configs\COCO-Keypoints\keypoint_rcnn_X_101_32x8d_FPN_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-Keypoints
    creating build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-PanopticSegmentation
    copying detectron2\model_zoo\configs\COCO-PanopticSegmentation\Base-Panoptic-FPN.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-PanopticSegmentation
    copying detectron2\model_zoo\configs\COCO-PanopticSegmentation\panoptic_fpn_R_101_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-PanopticSegmentation
    copying detectron2\model_zoo\configs\COCO-PanopticSegmentation\panoptic_fpn_R_50_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-PanopticSegmentation
    copying detectron2\model_zoo\configs\COCO-PanopticSegmentation\panoptic_fpn_R_50_3x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\COCO-PanopticSegmentation
    creating build\lib.win-amd64-3.6\detectron2\model_zoo\configs\Detectron1-Comparisons
    copying detectron2\model_zoo\configs\Detectron1-Comparisons\faster_rcnn_R_50_FPN_noaug_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\Detectron1-Comparisons
    copying detectron2\model_zoo\configs\Detectron1-Comparisons\keypoint_rcnn_R_50_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\Detectron1-Comparisons
    copying detectron2\model_zoo\configs\Detectron1-Comparisons\mask_rcnn_R_50_FPN_noaug_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\Detectron1-Comparisons
    creating build\lib.win-amd64-3.6\detectron2\model_zoo\configs\LVIS-InstanceSegmentation
    copying detectron2\model_zoo\configs\LVIS-InstanceSegmentation\mask_rcnn_R_101_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\LVIS-InstanceSegmentation
    copying detectron2\model_zoo\configs\LVIS-InstanceSegmentation\mask_rcnn_R_50_FPN_1x.yaml -> build\lib.win-amd64-3.6\detectron2\model_zoo\configs\LVIS-InstanceSegmentation
    
    
    ……………………………………………………………………………………………………………………
    ……………………………………………………………………………………………………………………
    ……………………………………………………………………………………………………………………
    ……………………………………………………………………………………………………………………
    
    
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(406): note: 参见对正在编译的函数 模板  实例化“bool c10::Converter<To,From,void>::operator ()(From)”的引用
            with
            [
                To=bool,
                From=double
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(406): note: 参见对正在编译的类 模板 实 例化“c10::Converter<To,From,void>”的引用
            with
            [
                To=bool,
                From=double
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(503): note: 参见对正在编译的函数 模板  实例化“To c10::convert<To,From>(From)”的引用
            with
            [
                To=bool,
                From=double
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/core/Scalar.h(72): note: 参见对正在编译的函数 模板 实例化“To c10::checked_convert<bool,double>(From,const char *)”的引用
            with
            [
                To=bool,
                From=double
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(400): warning C4244: “参数”: 从“int64_t”转换到“const std::complex<double>::_Ty”,可能丢失数据
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(399): note: 编译类 模板 成员函数“std::complex<double> c10::Converter<To,From,void>::operator ()(From)”时
            with
            [
                To=std::complex<double>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(406): note: 参见对正在编译的函数 模板  实例化“std::complex<double> c10::Converter<To,From,void>::operator ()(From)”的引用
            with
            [
                To=std::complex<double>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(406): note: 参见对正在编译的类 模板 实 例化“c10::Converter<To,From,void>”的引用
            with
            [
                To=std::complex<double>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(503): note: 参见对正在编译的函数 模板  实例化“To c10::convert<To,From>(From)”的引用
            with
            [
                To=std::complex<double>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/core/Scalar.h(72): note: 参见对正在编译的函数 模板 实例化“To c10::checked_convert<std::complex<double>,int64_t>(From,const char *)”的引用
            with
            [
                To=std::complex<double>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(400): warning C4244: “参数”: 从“int64_t”转换到“const std::complex<float>::_Ty”,可能丢失数据
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(399): note: 编译类 模板 成员函数“std::complex<float> c10::Converter<To,From,void>::operator ()(From)”时
            with
            [
                To=std::complex<float>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(406): note: 参见对正在编译的函数 模板  实例化“std::complex<float> c10::Converter<To,From,void>::operator ()(From)”的引用
            with
            [
                To=std::complex<float>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(406): note: 参见对正在编译的类 模板 实 例化“c10::Converter<To,From,void>”的引用
            with
            [
                To=std::complex<float>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(503): note: 参见对正在编译的函数 模板  实例化“To c10::convert<To,From>(From)”的引用
            with
            [
                To=std::complex<float>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/core/Scalar.h(72): note: 参见对正在编译的函数 模板 实例化“To c10::checked_convert<std::complex<float>,int64_t>(From,const char *)”的引用
            with
            [
                To=std::complex<float>,
                From=int64_t
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(400): warning C4244: “参数”: 从“double”转换到“const std::complex<float>::_Ty”,可能丢失数据
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(399): note: 编译类 模板 成员函数“std::complex<float> c10::Converter<To,From,void>::operator ()(From)”时
            with
            [
                To=std::complex<float>,
                From=double
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(406): note: 参见对正在编译的函数 模板  实例化“std::complex<float> c10::Converter<To,From,void>::operator ()(From)”的引用
            with
            [
                To=std::complex<float>,
                From=double
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(406): note: 参见对正在编译的类 模板 实 例化“c10::Converter<To,From,void>”的引用
            with
            [
                To=std::complex<float>,
                From=double
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/util/Half.h(503): note: 参见对正在编译的函数 模板  实例化“To c10::convert<To,From>(From)”的引用
            with
            [
                To=std::complex<float>,
                From=double
            ]
    F:\Program Files\Python\Python36\Lib\site-packages\torch\include\c10/core/Scalar.h(72): note: 参见对正在编译的函数 模板 实例化“To c10::checked_convert<std::complex<float>,double>(From,const char *)”的引用
            with
            [
                To=std::complex<float>,
                From=double
            ]
    D:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\BIN\x86_amd64\link.exe /nologo /INCREMENTAL:NO /LTCG /DLL /MANIFEST:EMBED,ID=2 /MANIFESTUAC:NO "/LIBPATH:F:\Program Files\Python\Python36\Lib\site-packages\torch\lib" "/LIBPATH:F:\Program Files\Python\Python36\libs" "/LIBPATH:F:\Program Files\Python\Python36\PCbuild\amd64" "/LIBPATH:D:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\LIB\amd64" "/LIBPATH:D:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\ATLMFC\LIB\amd64" "/LIBPATH:C:\Program Files (x86)\Windows Kits\10\lib\10.0.10240.0\ucrt\x64" "/LIBPATH:C:\Program Files (x86)\Windows Kits\NETFXSDK\4.6.1\lib\um\x64" "/LIBPATH:C:\Program Files (x86)\Windows Kits\8.1\lib\winv6.3\um\x64" c10.lib torch.lib torch_python.lib _C.lib /EXPORT:PyInit__C build\temp.win-amd64-3.6\Release\File_Python\Python_example\detectron2-master\detectron2\layers\csrc\vision.obj build\temp.win-amd64-3.6\Release\File_Python\Python_example\detectron2-master\detectron2\layers\csrc\box_iou_rotated\box_iou_rotated_cpu.obj build\temp.win-amd64-3.6\Release\File_Python\Python_example\detectron2-master\detectron2\layers\csrc\nms_rotated\nms_rotated_cpu.obj build\temp.win-amd64-3.6\Release\File_Python\Python_example\detectron2-master\detectron2\layers\csrc\ROIAlign\ROIAlign_cpu.obj build\temp.win-amd64-3.6\Release\File_Python\Python_example\detectron2-master\detectron2\layers\csrc\ROIAlignRotated\ROIAlignRotated_cpu.obj /OUT:build\lib.win-amd64-3.6\detectron2\_C.cp36-win_amd64.pyd /IMPLIB:build\temp.win-amd64-3.6\Release\File_Python\Python_example\detectron2-master\detectron2\layers\csrc\_C.cp36-win_amd64.lib
    vision.obj : warning LNK4197: 多次指定导出“PyInit__C”;使用第一个规范
      正在创建库 build\temp.win-amd64-3.6\Release\File_Python\Python_example\detectron2-master\detectron2\layers\csrc\_C.cp36-win_amd64.lib 和对象 build\temp.win-amd64-3.6\Release\File_Python\Python_example\detectron2-master\detectron2\layers\csrc\_C.cp36-win_amd64.exp
    正在生成代码
    已完成代码的生成
    running develop
    running egg_info
    creating detectron2.egg-info
    writing detectron2.egg-info\PKG-INFO
    writing dependency_links to detectron2.egg-info\dependency_links.txt
    writing requirements to detectron2.egg-info\requires.txt
    writing top-level names to detectron2.egg-info\top_level.txt
    writing manifest file 'detectron2.egg-info\SOURCES.txt'
    reading manifest file 'detectron2.egg-info\SOURCES.txt'
    writing manifest file 'detectron2.egg-info\SOURCES.txt'
    running build_ext
    copying build\lib.win-amd64-3.6\detectron2\_C.cp36-win_amd64.pyd -> detectron2
    Creating f:\program files\python\python36\lib\site-packages\detectron2.egg-link (link to .)
    Adding detectron2 0.1 to easy-install.pth file
    
    Installed f:\file_python\python_example\detectron2-master
    Processing dependencies for detectron2==0.1
    Searching for fvcore
    Reading https://pypi.org/simple/fvcore/
    Downloading https://files.pythonhosted.org/packages/0a/53/ffd1fa276766b23241d1d64a872e82fddc6f156d374334456aff9dc29a71/fvcore-0.1.dev200108.tar.gz#sha256=55089026ae8d3d706f3013269e11bd57dcee59db585a8e56672505bd23ed75df
    Best match: fvcore 0.1.dev200108
    Processing fvcore-0.1.dev200108.tar.gz
    Writing C:\Users\niu\AppData\Local\Temp\easy_install-qmv8ztsg\fvcore-0.1.dev200108\setup.cfg
    Running fvcore-0.1.dev200108\setup.py -q bdist_egg --dist-dir C:\Users\niu\AppData\Local\Temp\easy_install-qmv8ztsg\fvcore-0.1.dev200108\egg-dist-tmp-4m550vxx
    zip_safe flag not set; analyzing archive contents...
    Copying fvcore-0.1.dev200108-py3.6.egg to f:\program files\python\python36\lib\site-packages
    Adding fvcore 0.1.dev200108 to easy-install.pth file
    
    Installed f:\program files\python\python36\lib\site-packages\fvcore-0.1.dev200108-py3.6.egg
    Searching for tqdm>4.29.0
    Reading https://pypi.org/simple/tqdm/
    Downloading https://files.pythonhosted.org/packages/72/c9/7fc20feac72e79032a7c8138fd0d395dc6d8812b5b9edf53c3afd0b31017/tqdm-4.41.1-py2.py3-none-any.whl#sha256=efab950cf7cc1e4d8ee50b2bb9c8e4a89f8307b49e0b2c9cfef3ec4ca26655eb
    Best match: tqdm 4.41.1
    Processing tqdm-4.41.1-py2.py3-none-any.whl
    Installing tqdm-4.41.1-py2.py3-none-any.whl to f:\program files\python\python36\lib\site-packages
    writing requirements to f:\program files\python\python36\lib\site-packages\tqdm-4.41.1-py3.6.egg\EGG-INFO\requires.txt
    Adding tqdm 4.41.1 to easy-install.pth file
    Installing tqdm-script.py script to F:\Program Files\Python\Python36\Scripts
    Installing tqdm.exe script to F:\Program Files\Python\Python36\Scripts
    
    Installed f:\program files\python\python36\lib\site-packages\tqdm-4.41.1-py3.6.egg
    Searching for cloudpickle
    Reading https://pypi.org/simple/cloudpickle/
    Downloading https://files.pythonhosted.org/packages/c1/49/334e279caa3231255725c8e860fa93e72083567625573421db8875846c14/cloudpickle-1.2.2-py2.py3-none-any.whl#sha256=f3ef2c9d438f1553ce7795afb18c1f190d8146132496169ef6aa9b7b65caa4c3
    Best match: cloudpickle 1.2.2
    Processing cloudpickle-1.2.2-py2.py3-none-any.whl
    Installing cloudpickle-1.2.2-py2.py3-none-any.whl to f:\program files\python\python36\lib\site-packages
    Adding cloudpickle 1.2.2 to easy-install.pth file
    
    Installed f:\program files\python\python36\lib\site-packages\cloudpickle-1.2.2-py3.6.egg
    Searching for Pillow==6.2.2
    Reading https://pypi.org/simple/Pillow/
    Downloading https://files.pythonhosted.org/packages/8c/1b/c9eb5c2d6ed016bda10cb53aaf413cf67638629671b2ada7b20a7e5ad8d6/Pillow-6.2.2-cp36-cp36m-win_amd64.whl#sha256=5ccfcb0a34ad9b77ad247c231edb781763198f405a5c8dc1b642449af821fb7f
    Best match: Pillow 6.2.2
    Processing Pillow-6.2.2-cp36-cp36m-win_amd64.whl
    Installing Pillow-6.2.2-cp36-cp36m-win_amd64.whl to f:\program files\python\python36\lib\site-packages
    Adding Pillow 6.2.2 to easy-install.pth file
    
    Installed f:\program files\python\python36\lib\site-packages\pillow-6.2.2-py3.6-win-amd64.egg
    Searching for pyyaml>=5.1
    Reading https://pypi.org/simple/pyyaml/
    Downloading https://files.pythonhosted.org/packages/b9/b6/7f6a1c6a061d9d86ca39a3284ded68806c1d8542596bf76eefa9f65eddde/PyYAML-5.3-cp36-cp36m-win_amd64.whl#sha256=74782fbd4d4f87ff04159e986886931456a1894c61229be9eaf4de6f6e44b99e
    Best match: PyYAML 5.3
    Processing PyYAML-5.3-cp36-cp36m-win_amd64.whl
    Installing PyYAML-5.3-cp36-cp36m-win_amd64.whl to f:\program files\python\python36\lib\site-packages
    Adding PyYAML 5.3 to easy-install.pth file
    
    Installed f:\program files\python\python36\lib\site-packages\pyyaml-5.3-py3.6-win-amd64.egg
    Searching for tensorboard==1.10.0
    Best match: tensorboard 1.10.0
    Adding tensorboard 1.10.0 to easy-install.pth file
    Installing tensorboard-script.py script to F:\Program Files\Python\Python36\Scripts
    Installing tensorboard.exe script to F:\Program Files\Python\Python36\Scripts
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for matplotlib==2.2.2
    Best match: matplotlib 2.2.2
    Adding matplotlib 2.2.2 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for tabulate==0.8.6
    Best match: tabulate 0.8.6
    Adding tabulate 0.8.6 to easy-install.pth file
    Installing tabulate-script.py script to F:\Program Files\Python\Python36\Scripts
    Installing tabulate.exe script to F:\Program Files\Python\Python36\Scripts
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for yacs==0.1.6
    Best match: yacs 0.1.6
    Adding yacs 0.1.6 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for termcolor==1.1.0
    Best match: termcolor 1.1.0
    Adding termcolor 1.1.0 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for portalocker==1.5.2
    Best match: portalocker 1.5.2
    Adding portalocker 1.5.2 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for Werkzeug==0.14.1
    Best match: Werkzeug 0.14.1
    Adding Werkzeug 0.14.1 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for Markdown==2.6.11
    Best match: Markdown 2.6.11
    Adding Markdown 2.6.11 to easy-install.pth file
    Installing markdown_py-script.py script to F:\Program Files\Python\Python36\Scripts
    Installing markdown_py.exe script to F:\Program Files\Python\Python36\Scripts
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for wheel==0.30.0
    Best match: wheel 0.30.0
    Adding wheel 0.30.0 to easy-install.pth file
    Installing wheel-script.py script to F:\Program Files\Python\Python36\Scripts
    Installing wheel.exe script to F:\Program Files\Python\Python36\Scripts
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for six==1.11.0
    Best match: six 1.11.0
    Adding six 1.11.0 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for protobuf==3.6.1
    Best match: protobuf 3.6.1
    Adding protobuf 3.6.1 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for numpy==1.14.5+mkl
    Best match: numpy 1.14.5+mkl
    Adding numpy 1.14.5+mkl to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for python-dateutil==2.6.1
    Best match: python-dateutil 2.6.1
    Adding python-dateutil 2.6.1 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for pytz==2018.3
    Best match: pytz 2018.3
    Adding pytz 2018.3 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for pyparsing==2.2.0
    Best match: pyparsing 2.2.0
    Adding pyparsing 2.2.0 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for cycler==0.10.0
    Best match: cycler 0.10.0
    Adding cycler 0.10.0 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for kiwisolver==1.0.1
    Best match: kiwisolver 1.0.1
    Adding kiwisolver 1.0.1 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for pywin32==227
    Best match: pywin32 227
    Adding pywin32 227 to easy-install.pth file
    
    Using f:\program files\python\python36\lib\site-packages
    Searching for setuptools==41.0.1
    Best match: setuptools 41.0.1
    Adding setuptools 41.0.1 to easy-install.pth file
    Installing easy_install-script.py script to F:\Program Files\Python\Python36\Scripts
    Installing easy_install.exe script to F:\Program Files\Python\Python36\Scripts
    Installing easy_install-3.6-script.py script to F:\Program Files\Python\Python36\Scripts
    Installing easy_install-3.6.exe script to F:\Program Files\Python\Python36\Scripts
    
    Using f:\program files\python\python36\lib\site-packages
    Finished processing dependencies for detectron2==0.1
    

     

     

     

     

    展开全文
  • Detectron2 is Facebook AI Research's next generation library that provides state-of-the-art detection and segmentation algorithms. It is the successor of Detectron and maskrcnn-benchmark. It supports ...
  • detectron2_segmentation_testing Github_Link: : Detectron2文档: ://detectron2.readthedocs.io/index.html 如果未加载笔记本,请在此处查看笔记本: : 原始图片 实例细分 关键点检测 全景分割
  • If you use Detectron2 in your research or wish to refer to the baseline results published in the Model Zoo, please use the following BibTeX entry. @misc{wu2019detectron2, author = {Yuxin Wu and ...
  • detectron研读

    千次阅读 2018-03-08 19:01:58
    Detectron研读一:detectron框架概览Detectron研读二:getting _started例子faster_rcnn_R-50-FPNCaffe2 - Detectron 初步使用 Caffe2 - Detectron 图片测试结果 Docker-开源Detectron(补充)pkl convert t...
    展开全文
  • 拥抱Detectron2

    2021-04-08 11:03:05
    detectron2是FAIR团队在维护的计算机视觉库,持续收集和实现各种SOTA的目标检测/分割算法。类似的库还有CUHK和商汤维护的MMDetection。对我而言,其最大的优势是可以方便快速下载到各种检测算法的pre-trained模型,...
  • Tutorial_Detectron-源码

    2021-04-01 03:24:14
    Tutorial_Detectron
  • detectron相关

    2019-07-05 16:50:49
    一.主要流程 1.训练命令 ... --cfg detectron/datasets/data/experiment/config/e2e_faster_rcnn_R-50-FPN_1x.yaml \ OUTPUT_DIR detectron/datasets/data/experiment/result 复制进去的时候用subl...
  • 这是一个存储库,其中包含使用detectron2构建的出色项目。 请随时使用detectron2为新项目打开问题。 基地侦探2 骨干 需求 MGD 各种骨干 物体检测 FCOS CenterNet更好 高效饮食 降级 矩阵网 YOLO FSOD AugFPN...
  • Detectron2是Facebook AI Research的下一代软件系统,可实现最新的对象检测算法。 它是对先前版本重写,它源自 。 什么是新的 它由深度学习框架提供支持。 包括更多功能,例如全景分割,Densepose,Cascade R-CNN,...
  • DETR.detectron2已被弃用。 请查看我们基于新实现,该实现更加用户友好。 指示 从安装cvpods cd detr.res50.c5.coco.multiscale.150e.bs16 pods_train --num-gpus 8 结果 配置 可可AP 纸 检查站 detr.res50.c5....
  • 使用配置参数,直接集成进detectron2/detectron2/configs/使用Detectron2/AdelaiDet训练自己的数据集。 AdelaiDet可以算是Detectron2的一个扩展包,基本和Detectron2类似。 buildin.py buildin
  • detectron安装

    2019-09-18 13:01:26
    安装Cuda9.0+cuDNN7.4 0.1 查看cuda: nvcc --version 0.2 查看cudnn:cat /usr/local/cuda/include/cudnn.h | ...anaconda创建虚拟环境:conda create -n detectron python=3.6.7,进入环境,conda activate de...
  • Could you please provide more detail on how you extracted the Detectron features? I don't see a straightforward way to extract the features with the existing code in the Detectron repository. ...
  • detectron2概述

    千次阅读 2020-01-28 10:17:06
    detectron2框架初探
  • VoVNet-v2 backbone networks in Detectron2 Efficient Backbone Network for Object Detection and Segmentation [CenterMask(code)][CenterMask2(code)] [VoVNet-v1(arxiv)] [VoVNet-v2(arxiv)] [BibTeX] In ...
  • detectron2-源码

    2021-03-10 15:48:00
    阅读文档: 从该目录构建的最新文档可在。... 根据安装detectron2。 安装构建文档所需的其他库: docutils == 0.16 狮身人面像== 3.0.0 recommonmark == 0.6.0 sphinx_rtd_theme 嘲笑 从该目录运行make html 。
  • Detectron2_preprocessing
  • CV之detectron2:detectron2的简介、安装、使用方法之详细攻略 目录 detectron2的简介 1、Detectron2—What's New detectron2的安装 1、Requirements 2、Build and Install Detectron2 1、官方安装 2、...
  • Detectron2安装测试

    万次阅读 热门讨论 2019-12-10 22:36:22
    Detectron2安装测试 Detectron2是FAIR开源的基于Pytorch1.3.1的目标检测算法实现. Detectron2-github 1.Detectron2安装 1.1 安装配置基本环境 可参考项目中的Installtion conda create -n detectron2 python=...
  • 前提是在ubuntu16.04下配置好caffe2和fb的深度学习开源框架detectron,可以参考我前面的博客:ubuntu16.04下caffe2与dectectron配置 一、数据准备 我的数据格式是voc,而detectron要求的数据格式是json,因此首先...
  • detectron2-bdd100k 使用Detectron2 API的BDD100K车道分段 安装 了解您的cuda和火炬版本 nvcc - - version pip list | grep torch 安装适当的割炬版本 # https://pytorch.org/get-started/previous-versions/ pip ...
  • detectron2安装

    2021-04-22 15:53:25
    文档:https://detectron2.readthedocs.io/tutorials/install.html pytordch1.6==cuda10.1安装命令 python -m pip install detectron2 -f ...
  • detectron2检测

    2021-06-23 11:44:52
    detectron2训练自有数据做检测
  • detectron2学习笔记

    2021-03-15 11:37:39
    detectron2 detectron2概述

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,372
精华内容 948
关键字:

detectron