編集履歴

質問編集履歴

書式の改善

2021/11/11 06:42

投稿

0afnjosa

スコア7

test CHANGED Viewed

File without changes

test CHANGED Viewed

@@ -6,6 +6,8 @@
 #エラーが出たコード
+```Python
 %%time
 '''
@@ -30,8 +32,12 @@
+```
 ここでtrainは以下のコードで定義しています。
+```Python
 '''
 7. SSDモデルの学習(パラメーターの更新)を行う関数
@@ -62,13 +68,13 @@
     '''
-    SSDモデルでGPUを使用
+    # SSDモデルでGPUを使用
     net.to(device)
-    ネットワークの構成に対して最適なアルゴリズムを見つけて高速化させる
+    # ネットワークの構成に対して最適なアルゴリズムを見つけて高速化させる
     torch.backends.cudnn.benchmark = True
@@ -84,11 +90,11 @@
-    学習、または検証のエポックごとのループ
+    # 学習、または検証のエポックごとのループ
     for epoch in range(num_epochs):
-         開始時刻を保存
+        # 開始時刻を保存
         t_epoch_start = time.time()
@@ -96,7 +102,7 @@
-        現在のエポック数を出力
+        # 現在のエポック数を出力
         print('---------------------------------------')
@@ -106,11 +112,11 @@
-        エポック10回につき検証を1回行う
+        # エポック10回につき検証を1回行う
         for phase in ['train', 'val']:
-            エポックが10回に達するまではモデルを訓練モードにする
+            # エポックが10回に達するまではモデルを訓練モードにする
             if phase == 'train':
@@ -118,7 +124,7 @@
             else:
-                 エポックが10回に達していたらモデルを検証モードにして検証開始
+                # エポックが10回に達していたらモデルを検証モードにして検証開始
                 if((epoch+1) % 10 == 0):
@@ -130,67 +136,67 @@
                 else:
-                     10回に達していなければ次のエポックに進む
+                    # 10回に達していなければ次のエポックに進む
                     continue
-             1ステップにおけるミニバッチを使用した学習または検証
+            # 1ステップにおけるミニバッチを使用した学習または検証
-             データローダーをイテレートしてミニバッチを抽出
+            # データローダーをイテレートしてミニバッチを抽出
             for images, targets in dataloaders_dict[phase]:
-                画像データにデバイスを割り当てる
+                # 画像データにデバイスを割り当てる
                 images = images.to(device)
-                教師データ(正解BBoxのアノテーション情報)
+                # 教師データ(正解BBoxのアノテーション情報)
-                (バッチサイズ, 物体数, 5[xmin, ymin, xmax, ymax, label_index])
+                # (バッチサイズ, 物体数, 5[xmin, ymin, xmax, ymax, label_index])
-                 にデバイスを割り当てる
+                # にデバイスを割り当てる
                 targets = [ann.to(device) for ann in targets]
-                 optimizerが保持する勾配を0で初期化(累積しないように)
+                # optimizerが保持する勾配を0で初期化(累積しないように)
                 optimizer.zero_grad()
-                 順伝搬（forward）とバックプロパゲーション(訓練時のみ)
+                # 順伝搬（forward）とバックプロパゲーション(訓練時のみ)
                 with torch.set_grad_enabled(phase == 'train'):
-                    順伝搬（forward）を行って(loc, conf, dbox_list)を取得
+                    # 順伝搬（forward）を行って(loc, conf, dbox_list)を取得
-                     ・locの出力(バッチサイズ, 8732, 4[Δcx, Δcy, Δw, Δh])
+                    # ・locの出力(バッチサイズ, 8732, 4[Δcx, Δcy, Δw, Δh])
-                     ・confの出力(バッチサイズ, 8732, 21)
+                    # ・confの出力(バッチサイズ, 8732, 21)
-                     ・DBoxの情報(8732, 4[cx, cy, width, height])
+                    # ・DBoxの情報(8732, 4[cx, cy, width, height])
                     outputs = net(images)
-                     Positive DBoxのオフセット情報の損失平均
+                    # Positive DBoxのオフセット情報の損失平均
-                     ミニバッチにおけるPositive DBoxの確信度の損失平均
+                    # ミニバッチにおけるPositive DBoxの確信度の損失平均
                     loss_l, loss_c = criterion(outputs, targets)
-                     2つの損失を合計する
+                    # 2つの損失を合計する
                     loss = loss_l + loss_c
-                     訓練時はバックプロパゲーションによるパラメーター更新を行う
+                    # 訓練時はバックプロパゲーションによるパラメーター更新を行う
                     if phase == 'train':
@@ -198,31 +204,31 @@
-                         勾配が大きすぎると不安定になるので
+                        # 勾配が大きすぎると不安定になるので
-                         clipで勾配の上限を2.0に制限する
+                        # clipで勾配の上限を2.0に制限する
                         nn.utils.clip_grad_value_(net.parameters(),
                                                   clip_value=2.0)
-                         勾配降下法の更新式を適用してバイアス、重みを更新
+                        # 勾配降下法の更新式を適用してバイアス、重みを更新
                         optimizer.step()
-                         ミニバッチを10個処理(10ステップ)ごとに損失を出力
+                        # ミニバッチを10個処理(10ステップ)ごとに損失を出力
                         if (iteration % 10 == 0):
-                             10ステップの所要時間を取得
+                            # 10ステップの所要時間を取得
                             t_iter_finish = time.time()
                             duration = t_iter_finish - t_iter_start
-                            ステップ数、損失、所要時間を出力
+                            # ステップ数、損失、所要時間を出力
                             print('ステップ( {} )  loss: {:.4f} -- time: {:.4f} sec.'.format(
@@ -232,17 +238,17 @@
-                         エポックの損失をepoch_train_lossに加算する
+                        # エポックの損失をepoch_train_lossに加算する
                         epoch_train_loss += loss.item()
-                         ステップ数を1増やす
+                        # ステップ数を1増やす
                         iteration += 1
-                     検証モードでは順伝播後の損失の記録のみを行う
+                    # 検証モードでは順伝播後の損失の記録のみを行う
                     else:
@@ -250,31 +256,31 @@
-        epochのphaseごとのlossと正解率
+        # epochのphaseごとのlossと正解率
-         エポック終了時の時刻を取得
+        # エポック終了時の時刻を取得
         t_epoch_finish = time.time()
         print('---------------------------------------')
-         訓練データの損失と検証データの損失を出力
+        # 訓練データの損失と検証データの損失を出力
         print('train_loss: {:.4f} - val_loss(Every 10 epochs): {:.4f}'.format(
             epoch_train_loss, epoch_val_loss))
-        エポック終了までに要した時間を取得
+        # エポック終了までに要した時間を取得
         print('time:  {:.4f} sec.'.format(t_epoch_finish - t_epoch_start))
-        次のエポックの開始時刻を取得
+        # 次のエポックの開始時刻を取得
         t_epoch_start = time.time()
-        エポックごとに損失をdictオブジェクトに保存
+        # エポックごとに損失をdictオブジェクトに保存
         log_epoch = {'epoch': epoch+1,
@@ -282,31 +288,31 @@
                      'val_loss': epoch_val_loss}
-        ログのリストに追加
+        # ログのリストに追加
         logs.append(log_epoch)
-        ログのリストをデータフレームに変換
+        # ログのリストをデータフレームに変換
         df = pd.DataFrame(logs)
-        ログファイルに保存
+        # ログファイルに保存
         df.to_csv('/content/drive/MyDrive/Colab Notebooks/ObjectDetection/epoch_loss.csv')
-         訓練時の損失和を0で初期化
+        # 訓練時の損失和を0で初期化
         epoch_train_loss = 0.0
-         検証時の損失和を0で初期化
+        # 検証時の損失和を0で初期化
         epoch_val_loss = 0.0
-         1エポック終了ごとにモデルのパラメーター値を保存
+        # 1エポック終了ごとにモデルのパラメーター値を保存
         if ((epoch+1) % 10 == 0):
@@ -320,6 +326,164 @@
             print('--saved weights--')
+```
+#出たエラー
+```Python
+/usr/local/lib/python3.7/dist-packages/IPython/core/interactiveshell.py in run_cell_magic(self, magic_name, line, cell)
+   2115             magic_arg_s = self.var_expand(line, stack_depth)
+   2116             with self.builtin_trap:
+-> 2117                 result = fn(magic_arg_s, cell)
+   2118             return result
+   2119
+<decorator-gen-53> in time(self, line, cell, local_ns)
+/usr/local/lib/python3.7/dist-packages/IPython/core/magic.py in <lambda>(f, *a, **k)
+    186     # but it's overkill for just that one bit of state.
+    187     def magic_deco(arg):
+--> 188         call = lambda f, *a, **k: f(*a, **k)
+    189
+    190         if callable(arg):
+/usr/local/lib/python3.7/dist-packages/IPython/core/magics/execution.py in time(self, line, cell, local_ns)
+   1191         else:
+   1192             st = clock2()
+-> 1193             exec(code, glob, local_ns)
+   1194             end = clock2()
+   1195             out = None
+<timed exec> in <module>()
+<ipython-input-8-dd6592475800> in train(net, dataloaders_dict, criterion, optimizer, num_epochs)
+     53             # 1ステップにおけるミニバッチを使用した学習または検証
+     54             # データローダーをイテレートしてミニバッチを抽出
+---> 55             for images, targets in dataloaders_dict[phase]:
+     56                 # 画像データにデバイスを割り当てる
+     57                 images = images.to(device)
+/usr/local/lib/python3.7/dist-packages/torch/utils/data/dataloader.py in __next__(self)
+    519             if self._sampler_iter is None:
+    520                 self._reset()
+--> 521             data = self._next_data()
+    522             self._num_yielded += 1
+    523             if self._dataset_kind == _DatasetKind.Iterable and \
+/usr/local/lib/python3.7/dist-packages/torch/utils/data/dataloader.py in _next_data(self)
+    559     def _next_data(self):
+    560         index = self._next_index()  # may raise StopIteration
+--> 561         data = self._dataset_fetcher.fetch(index)  # may raise StopIteration
+    562         if self._pin_memory:
+    563             data = _utils.pin_memory.pin_memory(data)
+/usr/local/lib/python3.7/dist-packages/torch/utils/data/_utils/fetch.py in fetch(self, possibly_batched_index)
+     42     def fetch(self, possibly_batched_index):
+     43         if self.auto_collation:
+---> 44             data = [self.dataset[idx] for idx in possibly_batched_index]
+     45         else:
+     46             data = self.dataset[possibly_batched_index]
+/usr/local/lib/python3.7/dist-packages/torch/utils/data/_utils/fetch.py in <listcomp>(.0)
+     42     def fetch(self, possibly_batched_index):
+     43         if self.auto_collation:
+---> 44             data = [self.dataset[idx] for idx in possibly_batched_index]
+     45         else:
+     46             data = self.dataset[possibly_batched_index]
+/content/drive/MyDrive/Colab Notebooks/ObjectDetection/voc.py in __getitem__(self, index)
+    256         # pull_item()にイメージのインデックスを渡して前処理
+    257         # 処理後のイメージデータとBBoxとラベルの2次元配列を返す
+--> 258         im, bl, _, _ = self.pull_item(index)
+    259         return im, bl
+    260
+/content/drive/MyDrive/Colab Notebooks/ObjectDetection/voc.py in pull_item(self, index)
+    275         img_path = self.img_list[index] # インデックスを指定してイメージのパスを取得
+    276         img = cv2.imread(img_path)   # OpenCV2でイメージの[高さ,幅,[B,G,R]]を取得
+--> 277         height, width, _ = img.shape # 配列要素数を数えて高さ,幅のみを取得
+    278
+    279         # アノテーションデータのリストを取得
+AttributeError: 'NoneType' object has no attribute 'shape'
+```
 #知りたいこと
 このエラーはどういう意味か。