open-mmlab/mmsegmentation

[KeyError: 'PALETTE'] while loading model after retraining

Ouverte

#2 039 ouverte le 7 sept. 2022

Voir sur GitHubGuide contributeur
 (5 commentaires) (0 réaction) (1 personne assignée)Python (2 386 forks)batch import
help wanted

Métriques du dépôt

Stars
 (6 867 étoiles)
Métriques de merge PR
 (Aucune PR mergée en 30 j)

Description

Hi, I am getting following error while loading the model after retraining on my custom dataet.

mmseg/apis/inference.py:36, in init_segmentor(config, checkpoint, device)
     34     checkpoint = load_checkpoint(model, checkpoint, map_location='cpu')
     35     model.CLASSES = checkpoint['meta']['CLASSES']
---> 36     model.PALETTE = checkpoint['meta']['PALETTE']
     37 model.cfg = config  # save the config in the model for convenience
     38 model.to(device)

KeyError: 'PALETTE'

I checked the keys in my saved model which are these

dict_keys(['epoch', 'iter', 'mmcv_version', 'time', 'CLASSES'])

Did training with following code

# Build the detector
model = build_segmentor(cfg.model)
# Add an attribute for visualization convenience
model.CLASSES = datasets[0].CLASSES
model.PALETTE = datasets[0].PALETTE

# Create work_dir
mmcv.mkdir_or_exist(osp.abspath(cfg.work_dir))
train_segmentor(model, datasets, cfg, distributed=False, validate=True, 
                meta=dict())

Guide contributeur

Direction de recherche
L'utilisateur doit s'assurer que la clé 'PALETTE' est incluse dans le dictionnaire 'meta' passé à train segmentor. Actuellement, l'utilisateur passe 'meta=dict()', ce qui omet PALETTE. La correction consiste à modifier le script d'entraînement pour inclure 'PALETTE' dans le dictionnaire meta, par exemple 'meta=dict(CLASSES=datasets[0].CLASSES, PALETTE=datasets[0].PALETTE)'. Alternativement, le code d'inférence dans mmseg/apis/inference.py pourrait être rendu plus robuste pour gérer l'absence de PALETTE. Le problème a été assigné, donc le contributeur doit vérifier le statut de l'assigné et toute PR existante.
Stack technique
pythonpytorch
Domaine
machine learningai
Type d'issue
Bug
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
2
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
1-3 heures
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
Pythonpytorch
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
50