open-mmlab/mmsegmentation

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

Open

#2.039 aberto em 7 de set. de 2022

Ver no GitHub
 (5 comments) (0 reactions) (1 assignee)Python (2.386 forks)batch import
help wanted

Métricas do repositório

Stars
 (6.867 stars)
Métricas de merge de PR
 (Nenhuma PRs mesclada em 30d)

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())

Guia do colaborador

Direção de pesquisa
O usuário precisa garantir que a chave 'PALETTE' esteja incluída no dicionário 'meta' passado para train segmentor. Atualmente, o usuário passa 'meta=dict()', que omite PALETTE. A correção é modificar o script de treinamento para incluir 'PALETTE' no dicionário meta, por exemplo, 'meta=dict(CLASSES=datasets[0].CLASSES, PALETTE=datasets[0].PALETTE)'. Alternativamente, o código de inferência em mmseg/apis/inference.py poderia ser tornado mais robusto para lidar com a ausência de PALETTE. A issue foi atribuída, então o contribuidor deve verificar o status do responsável e quaisquer PRs existentes.
Pilha de tecnologia
pythonpytorch
Domain
machine learningai
Tipo Issue
Bug
DifficultyDificuldade de implementação estimada para um novo contribuidor, de 1 para alterações muito pequenas a 5 para trabalho de nível especializado.
2
Tempo estimadoUm intervalo de tempo aproximado para um colaborador experiente investigar, implementar, testar e preparar um pull request.
1-3 horas
Status da atividadeQuão disponível o issue aparece agora: novo, ativo, obsoleto, bloqueado ou aguardando entrada do mantenedor.
Ativo
ClarityCom que clareza o issue explica a mudança esperada, os critérios de aceitação e a próxima etapa.
Claro
Prerequisites
Pythonpytorch
Simpatia para novatosUma pontuação de 1 a 100 que estima o quão acessível este issue é para colaboradores iniciantes.
50