open-mmlab/mmsegmentation

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

Open

#2039 aperta il 7 set 2022

Vedi su GitHub
 (5 commenti) (0 reazioni) (1 assegnatario)Python (2386 fork)batch import
help wanted

Metriche repository

Star
 (6867 star)
Metriche merge PR
 (Nessuna PR mergiata in 30 g)

Descrizione

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())

Guida contributor

Direzione di ricerca
L'utente deve assicurarsi che la chiave 'PALETTE' sia inclusa nel dizionario 'meta' passato a train segmentor. Attualmente, l'utente passa 'meta=dict()', che omette PALETTE. La soluzione è modificare lo script di addestramento per includere 'PALETTE' nel dizionario meta, ad esempio 'meta=dict(CLASSES=datasets[0].CLASSES, PALETTE=datasets[0].PALETTE)'. In alternativa, il codice di inferenza in mmseg/apis/inference.py potrebbe essere reso più robusto per gestire l'assenza di PALETTE. Il problema è stato assegnato, quindi il contributore dovrebbe verificare lo stato dell'assegnatario e le eventuali PR esistenti.
Tech stack
pythonpytorch
Dominio
machine learningai
Tipo issue
Bug
DifficoltàQuanto dovrebbe essere impegnativa per un nuovo contributor.
2
Tempo stimatoTempo stimato per completare e verificare uno scope piccolo.
1-3 ore
Stato attivitàQuanto è probabile che la issue sia ancora attiva e reviewable.
Attiva
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
Chiara
Prerequisiti
Pythonpytorch
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
50