EddieEduardo
commented
2 years ago Hi, after training, I tested the models with my own dataset which has the same format as MOT17 using the weights I trained, but no results are output, please see below: (base) [root@node02 MOTR-main]# python3 submit.py \
--meta_arch motr \ --dataset_file e2e_joint \ --epoch 50 \ --with_box_refine \ --lr_drop 35 \ --lr 2e-4 \ --lr_backbone 2e-5 \ --pretrained exps/e2e_motr_r50_joint/checkpoint0049.pth \ --output_dir exps/e2e_motr_r50_joint \ --batch_size 1 \ --sample_mode 'random_interval' \ --sample_interval 10 \ --sampler_steps 50 90 150 \ --sampler_lengths 2 3 4 5 \ --update_query_pos \ --merger_dropout 0 \ --dropout 0 \ --random_drop 0.1 \ --fp_ratio 0.3 \ --query_interaction_layer 'QIM' \ --extra_track_attn \ --data_txt_path_train ./datasets/data_path/mot17.train \ --data_txt_path_val ./datasets/data_path/mot17.test \ --resume exps/e2e_motr_r50_joint/checkpoint0049.pth \ --exp_name pub_submit_17
Training with Extra Self Attention in Every Decoder. Training with Self-Cross Attention. loaded exps/e2e_motr_r50_joint/checkpoint0049.pth 0%| | 0/405 [00:00<?, ?it/s]/root/Documents/MOTR-main/models/position_encoding.py:51: UserWarning: floordiv is deprecated, and its behavior will change in a future version of pytorch. It currently rounds toward 0 (like the 'trunc' function NOT 'floor'). This results in incorrect rounding for negative values. To keep the current behavior, use torch.div(a, b, rounding_mode='trunc'), or for actual floor division, use torch.div(a, b, rounding_mode='floor'). dim_t = self.temperature * (2 (dim_t // 2) / self.num_pos_feats) /root/anaconda3/envs/base/lib/python3.10/site-packages/torch/functional.py:568: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at /opt/conda/conda-bld/pytorch_1646755897462/work/aten/src/ATen/native/TensorShape.cpp:2228.) return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined] 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 405/405 [00:26<00:00, 15.23it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 755/755 [00:58<00:00, 12.95it/s] totally 0 dts 0 occlusion dts 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1262/1262 [01:41<00:00, 12.38it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 282/282 [00:22<00:00, 12.38it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 272/272 [00:21<00:00, 12.61it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 363/363 [00:24<00:00, 14.80it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 444/444 [00:32<00:00, 13.77it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 758/758 [00:58<00:00, 12.87it/s] totally 0 dts 0 occlusion dts 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2508/2508 [03:07<00:00, 13.36it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 454/454 [00:32<00:00, 13.86it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 718/718 [00:53<00:00, 13.41it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 238/238 [00:17<00:00, 13.97it/s] totally 0 dts 0 occlusion dts 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 764/764 [01:03<00:00, 11.99it/s] totally 0 dts 0 occlusion dts copy reuslts for same sequences:
Could anyone tell me where I should fix up to solve this issue? Thanks a lot !!!!!!
gracebae0123
carpeug
Hi, thanks for sharing the codes, but I am confused about the bbox foramt as follows: in dataset/joint.py/class DetMOTDetection:--> """ def _pre_single_frame(self, idx: int):
**if osp.isfile(label_path): labels0 = np.loadtxt(label_path, dtype=np.float32).reshape(-1, 6)
The dataset I am using is MOT17, it seems that the bboxes format that GT files provide are (x,y,w,h), but here in the above func, the gt boxes are used as (center_x,center_y,w,h), I am not sure if there is something wrong with it ?