当前位置: 首页 > 知识库问答 >
问题:

使用model_main.py训练目标检测失败,Windows致命异常:访问违规

漆雕唯
2023-03-14

我试图用model_main.py文件训练目标检测模型。我可以在ubuntu环境下训练这个没有任何问题,但是现在移动到赢10(因为我在那台电脑上有一个GeForece 1080Ti),现在我有麻烦了。训练可以开始并做得很好,直到我得到这些错误的第一个检查点(我也可以重新启动,它从最后一个检查点连续训练,但在保存下一个检查点后再次失败...):

所以从…运行这个命令。。。\models master\research\object\u检测文件夹

python model_main.py --model_dir=training --pipeline_config_path=training/faster_rcnn_inception_v2_pets.config -–num_train_steps=20000 --sample_1_of_n_eval_examples=2 --alsologtostderr

产生这个:

INFO: tensorflow:将46040的检查点保存到训练中\model.ckpt.我0307 10:01:21.055022 8112basic_session_run_hooks.py:606]将46040的检查点保存到训练中\model.ckpt.警告:tensorflow: from C:\用户\Zsetszko21\Anaconda3\envs\tf_env_Ti\lib\site-包\tensorflow\python\训练\saver.py:960:remove_checkpoint(tensorflow.python.training.checkpoint_management)已弃用,并将在未来版本中删除。更新说明:使用标准文件API删除带有此前缀的文件。W0307 10:01:22.363223 8112deprecation.py:323]从C:\用户\Zsetszko21\Anaconda3\envs\tf_env_Ti\lib\site-包\tensorflow\python\训练\saver.py:960:remove_checkpoint(来自tensorflow.python.training.checkpoint_management)已弃用,并将在未来版本中删除。更新说明:使用标准文件API删除带有此前缀的文件。Windows致命异常:访问违规

线程0x000023b4(最近的调用优先):文件"C:\用户\Zsetszko21\Anaconda3\envs\tf_env_Ti\lib\threading.py",等待文件"C:\用户\Zsetszko21\Anaconda3\envs\tf_env_Ti\lib\queue.py"中的第296行,获取文件"C:\用户\Zsetszko21"中的第170行\anaconda3\envs\tf_env_Ti\lib\site-包\tensorflow\python\总结\作家\event_file_writer.py",运行文件"C:\用户\Zsetszko21\Anaconda3\envs\tf_env_Ti\lib\threading.py"中的第159行,_bootstrap_inner文件"C:\用户\Zsetszko21\Anaconda3\envs\tf_env_Ti\lib\<-plhd--4/>",_bootstrap第890行

我的配置文件:

# Faster R-CNN with Inception v2, configured for Oxford-IIIT Pets Dataset.
# Users should configure the fine_tune_checkpoint field in the train config as
# well as the label_map_path and input_path fields in the train_input_reader and
# eval_input_reader. Search for "PATH_TO_BE_CONFIGURED" to find the fields that
# should be configured.

model {
  faster_rcnn {
    num_classes: 2
    image_resizer {
      keep_aspect_ratio_resizer {
        min_dimension: 600
        max_dimension: 1024
      }
    }
    feature_extractor {
      type: 'faster_rcnn_inception_v2'
      first_stage_features_stride: 16
    }
    first_stage_anchor_generator {
      grid_anchor_generator {
        scales: [0.25, 0.5, 1.0, 2.0]
        aspect_ratios: [0.5, 1.0, 2.0]
        height_stride: 16
        width_stride: 16
      }
    }
    first_stage_box_predictor_conv_hyperparams {
      op: CONV
      regularizer {
        l2_regularizer {
          weight: 0.0
        }
      }
      initializer {
        truncated_normal_initializer {
          stddev: 0.01
        }
      }
    }
    first_stage_nms_score_threshold: 0.0
    first_stage_nms_iou_threshold: 0.7
    first_stage_max_proposals: 300
    first_stage_localization_loss_weight: 2.0
    first_stage_objectness_loss_weight: 1.0
    initial_crop_size: 14
    maxpool_kernel_size: 2
    maxpool_stride: 2
    second_stage_box_predictor {
      mask_rcnn_box_predictor {
        use_dropout: true
        dropout_keep_probability: 0.95
        fc_hyperparams {
          op: FC
          regularizer {
            l2_regularizer {
              weight: 0.0
            }
          }
          initializer {
            variance_scaling_initializer {
              factor: 1.0
              uniform: true
              mode: FAN_AVG
            }
          }
        }
      }
    }
    second_stage_post_processing {
      batch_non_max_suppression {
        score_threshold: 0.0
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 300
      }
      score_converter: SOFTMAX
    }
    second_stage_localization_loss_weight: 2.0
    second_stage_classification_loss_weight: 1.0
  }
}

train_config: {
  batch_size: 1
  optimizer {
    momentum_optimizer: {
      learning_rate: {
          exponential_decay_learning_rate {
          initial_learning_rate: 0.00200000018999
          decay_steps: 1000
          decay_factor: 0.989999988079
        }
        #manual_step_learning_rate {
        #  initial_learning_rate: 0.0002
        #  schedule {
        #    step: 100000
        #    learning_rate: .002
        #  }

        #}

      }
      momentum_optimizer_value: 0.9
    }
    use_moving_average: false
  }
  gradient_clipping_by_norm: 10.0
  fine_tune_checkpoint:  "A:\\PPEVision\\trainer\\models-master\\research\\object_detection\\faster_rcnn_inception_v2_coco_2018_01_28\\model.ckpt"
  from_detection_checkpoint: true
  load_all_detection_checkpoint_vars: true
  # Note: The below line limits the training process to 200K steps, which we
  # empirically found to be sufficient enough to train the pets dataset. This
  # effectively bypasses the learning rate schedule (the learning rate will
  # never decay). Remove the below line to train indefinitely.
  num_steps: 200000
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
}


train_input_reader: {
  tf_record_input_reader {
    input_path: "A:\\PPEVision\\trainer\\models-master\\research\\object_detection\\train.record"
  }
  label_map_path: "A:\\PPEVision\\trainer\\models-master\\research\\object_detection\\training\\labelmap.pbtxt"
}

eval_config: {
  metrics_set: "coco_detection_metrics"
  num_examples: 1000
  num_visualizations: 1000
  visualization_export_dir: "A:\\PPEVision\\trainer\\models-master\\research\\object_detection\\eval"
  eval_interval_secs: 120
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "A:\\PPEVision\\trainer\\models-master\\research\\object_detection\\test.record"
  }
  label_map_path: "A:\\PPEVision\\trainer\\models-master\\research\\object_detection\\labelmap.pbtxt"
  shuffle: true
  num_readers: 1
}

我还添加了这些行,以防止任何OOMmodel_main.py:

  session_config = tf.ConfigProto()
  session_config.gpu_options.per_process_gpu_memory_fraction = 0.7    # replace this field with whichever real number you prefer
                                                                    # also gives a workaround to specify RAM usage
  config = tf.estimator.RunConfig(model_dir=FLAGS.model_dir, session_config=session_config)

我的规格:

Win10 Geforce GTX 1080Ti 11Gb 32Gb RAM i5-7500 3Ghz CPU Tensorflow 1.14-gpu使用conda env创建------------------------------------------------------------------------------------------NVIDIA-SMI 442.50驱动程序版本:442.50 CUDA版本:10.2-------------------------------------------------------------------------------------gpu名称TCC/WDDM总线Id Disp。A |挥发性解吸剂。ECC | |风扇温度性能Pwr:使用率/上限|内存使用率| GPU Util Compute M.| |=============================================================================================================================================0 GeForce GTX 108。。。WDDM | 00000000:01:00.0 On | N/A | 23%36C P8 13W/250W | 449MiB/11264MiB | 0%默认值|-------------------------------------------------------------------------------------------------------------

共有1个答案

孟文栋
2023-03-14

我也有类似的问题,看来我不得不用label_map.pbtxt.txt.代替label_map.pbtxt,也许用 /.代替

 类似资料:
  • 引言 这篇文档会介绍如何用 darknet 训练一个 YOLOv2 目标检测模型,看完这篇文档会发现:模型训练和预测都非常简单,最花时间的精力的往往是训练集的数据预处理。 这里先简单介绍一下 目标分类 (Classification) 和 目标检测 (Detection) 的区别?什么是 YOLO?以及什么是 darknet? 下面这张图很清晰地说明了目标分类: 一张图片作为输入,然后模型就会告诉

  • 我有一个飞行路线例外: 我在文档和论坛上查找,但没有找到这个异常的含义。请有人告诉我这些异常的原因是什么!谢谢

  • 我目前正在遵循ThinMatrix的OpenGL教程,使用VAO和VBOS进行渲染。我几乎完全复制了代码(唯一的区别是我使工厂类成为静态的,而不仅仅是正常的)。我可以看到我的程序版本和他的程序版本之间唯一的技术区别是我使用lwjgl 3而不是lwjgl 2。 以下是我的源代码: 我遇到的问题是,每当我试图运行项目时,它就会崩溃,并显示以下错误消息: 环顾四周,我发现了这个stackoverflow

  • 我只是用TensorFlow训练了一个三层的softmax神经网络。它来自吴恩达的课程,3.11TensorFlow。我修改代码是为了查看每个历元的测试和训练精度。 当我增加学习率时,成本在1.9左右,而准确率保持1.66...7不变。我发现学习率越高,它发生的频率就越高。当learing_rate在0.001左右时,有时会出现这种情况。当learing_rate在0.0001附近时,这种情况不会

  • 几种重新培训MobileNet以便与TensorFlow.js一起使用的方法对我来说都失败了。有没有办法用TensorFlow.js来使用重新训练的模型? 使用基于hub的现代教程和使用似乎都失败了。 null null 目的是加载mobilenet,使用自定义数据重新训练,并在TensorFlow.js中使用它。遵循这两个教程似乎都失败了。这可以在Node.js内部完成吗?还有别的办法吗?我在哪

  • 我正在使用方法向服务器发送录制的音频文件,但收到以下错误: 致命异常java.lang.noClassDefFoundError:解析失败:lorg/apache/http/util/args 下面是我的代码: