Respostas no Fórum
- Posts
Olá Michael, que ótimo saber que você conseguiu realizar o seu objetivo através das técnicas propostas! Meus parabéns =)
A agradecemos ao seu feedback quanto ao curso!
Olá Adriano! Uma razão comum para esse erro é quando no pom está sendo especificado somente “javacv” e não “javacv-platform”, precisa conter o ID completo pois esse erro pode dar quando não vem as dependências do platform. Veja o código de referência aqui.
Outra sugestão seria usar a versão 1.3.3 que é a mesma exata usada no curso, então é garantido que funcione. Baixe ela aqui: https://drive.google.com/open?id=1ZVCFr7eyn0oH0bExqu_IU_xE-DeyTwji
Caso não funcione, experimente remover todos os JARs e adicioná-los novamente. Ou, também pode adicionar todos os outros JARs que vieram juntos no zip e depois testar, se funcionar então você vai removendo até deixar apenas os essenciais. Em todo caso, siga as instruções da aula de instalação do curso, pois lá mostra exatamente quais JARs você tem que manter.
Olá Flávio!
Para poder rodar com essa GPU você pode usar o xformers, que otimizará o uso da memória. O código que você forneceu aqui faz o uso dessa função, porém ele é definido para o pipeline atribuído a variável “sd15”, não ao pipeline que você configurou para gerar as imagens (atribuído à variável “pipe”). Ou seja, ele foi definido mas não foi usado na geração. Então, para resolver basta gerar usando o pipeline definido como sd15, ou simplesmente substituir onde aparece “sd15” por “pipe”, ficando assim:
[…]
pipe.enable_attention_slicing()
pipe.enable_xformers_memory_efficient_attention()prompt = “a photo of a terrier wearing sunglasses, on the beach, ocean in the background”
generator = torch.Generator(“cuda”).manual_seed(seed)
img = pipe(prompt, generator=generator).images[0][…]
A biblioteca diffusers oferece também outras opções caso queira otimizar mais ainda e portanto usar menos da memória da GPU, dê uma olhada aqui nesse artigo, tem o código disponível pronto para uso https://huggingface.co/docs/diffusers/optimization/memory
Mas acredito que configurando o xformers seja o suficiente, só verifique antes se ele foi instalado corretamente.
Olá Amarildo!
Eles geralmente retornam em 1 dia útil, mas alguns casos mais raros pode levar 2 ou 3. Se ainda não apareceu para você, primeiramente verifique sua caixa de spam pois as vezes o email deles pode ter caído lá.
Você recebeu um email deles assim que criou sua conta? Você tem que receber uma mensagem com o título “Verify your email”, nesse email terá um link para confirmar seu email e então eles podem dar sequência. Verifique e me avise quais mensagens já recebeu do SageMaker em seu email até o momento.
Você pode tentar também fazer um cadastro com outro email, só para garantir.
Enquanto aguarda a aprovação da sua conta no SageMaker, você tem a opção de usar a nossa implementação do Colab para gerar as imagens. Isso é explicado no vídeo da aula “Código no Google Colab” da seção “Capas para livros”; é bastante simples, basta ter uma conta Google e acessar o notebook que está linkado nessa aula (aba Materiais). Oferecemos esse modo também como alternativa, pois algumas pessoas preferem por código ao invés da interface, mas se quiser você pode usá-lo agora nesse momento para gerar as imagens de um modo prático enquanto aguarda a aprovação =)
Olá, verifique se as imagens estão no diretório informado como parâmetro. A propósito, se você printar a variável dir_resultados, o que aparece para você? Veja pelo painel lateral se há algum arquivo dentro do diretório em questão.
Caso o erro persista, peço que compartilhe seu Colab para que eu consiga verificar melhor o que pode estar ocorrendo, já que pode haver outra coisa interferindo.
Olá Rafael!
- Para o YOLOv8 não há uma recomendação pois depende muito do dataset e de seu tamanho ou suas características, mas uma dica geral é começar com pelo menos uns 300 epochs. Em seguida, verifique se não ocorre o overfitting, caso não ocorra continue treinando por mais tempo. Aumente para 500, 700, 1000, e assim sucessivamente. Ou seja, enquanto não ocorrer o overfitting você pode continuar sempre treinando mais. E observe a métrica mAP durante o treinamento, quando notar que ela estabilizar e não aumentar mais após algumas épocas então treinou o suficiente (porém, oscilar um pouco entre as epochs é normal).
- Para salvar direto no Drive, você pode usar o parâmetro “project” da função train().
Com ele, você pode mudar o local onde deseja que os pesos treinados sejam salvos. Se você passar um caminho que seja dentro de /content/gdrive/MyDrive/ (igual como foi demonstrado nas aulas de treinamento do YOLOv4) então os pesos atualizados serão salvos dentro do Drive. E os melhores pesos serão aqueles com “-best” no nome.
Exemplo de código:
project = ‘/content/gdrive/MyDrive/treinamentoYOLO’ # diretorio drive
resultados = model.train(data=arquivo_config, epochs=10, imgsz=640, name=’yolov8s_modelo’, project=project)Olá, acabei de verificar aqui e aparece essa mensagem agora devido a uma mudança na versão da biblioteca Numpy que é automaticamente atribuída à sessão do Colab. Até poucos dias atrás era associada uma versão onde não ocorria essa incompatibilidade, e agora o Colab associa uma recente onde ocorre atualmente um conflito e que ainda não foi resolvido pelos autores.
Para resolver, basta voltar ao outro release, para isso adicione esse comando logo antes do código onde faz o import das bibliotecas (na seção “Importação das bibliotecas”)
!pip install numpy==1.23
Ao executar esse comando provavelmente vai aparecer uma caixa no meio da tela com a mensagem “Reiniciar sessão”, clique para reiniciar. Se não aparecer, clique no botão [Restart Session] (que aparece na saída da célula que você executou o comando !pip, o botão deve aparecer ao final dessa célula, logo após os avisos).
Após reiniciar, prossiga para os imports, executando o restante do código na ordem.Se quiser conferir aqui no Colab, mas basicamente é apenas isso que precisa. Acabei de executar o mesmo código novamente e funcionou tudo corretamente agora, mas qualquer dúvida é só me avisar aqui.
Olá Edison!
Esse erro ocorre pois está apenas com 1 underline antes e 1 após a palavra version, na verdade são 2.
Ou seja, ao invés de _version_ mude para __version__
Olá Heitor!
Devido a algumas incompatibilidades com versões mais recentes das bibliotecas, é necessário agora algumas pequenas mudanças no código do repositório. A maneira mais fácil de resolver é a seguinte:
1) Alterar a primeira linha (que clona o repositório) agora deverá ser assim:
!git clone https://github.com/davidstap/AttnGAN.git
(ou seja, mudou de dvschultz para davidstap)
2) A linha de código onde atualmente está assim
!pip install torchvision==0.11.1
!pip install pyyaml==5.4.1Deverá agora ficar assim:
!pip install torch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 torchdata==0.5.1 torchtext==0.14.1
!pip3 install “cython<3.0” wheel && pip3 install –no-build-isolation “pyyaml==5.4.1”Se preferir, pode acessar o código da seção aqui.
Olá Matheus!
Para mais detalhes veja a aula “Aviso sobre atualização no Colab”, mas resumidamente, a recomendação é acessar o Colab da aula e copiar de lá os passos de instalação e configuração do ambiente, assim fica mais fácil e rápido.
O Colab referente à primeira aula sobre Mask R-CNN é esse: https://colab.research.google.com/drive/1u32bsDb9M8ir2VaZvkOyUfJJV3v6OEML?usp=sharing
E o Colab para as aulas sobre o treinamento customizado é esse: https://colab.research.google.com/drive/1CEu9aKbtM0jDZMUN2282fMwV4c-fEn5O
As mudanças estão comentadas logo no início do Colab, o que precisa fazer é basicamente baixar o repositório contendo o código atualizado para a versão 2.x do Tensorflow.
Depois disso é para conseguir executar normalmente sem essa mensagem. Mas caso continue a ver algum erro que impeça a execução do restante do código então peço que compartilhe aqui o seu Colab, pois pode haver alguma outra coisa interferindo.
Olá Sandro!
Esse erro é devido a uma incompatibilidade recente que ocorreu com a versão automaticamente atribuída para o pytorch na sessão.
Para evitar essa mensagem de erro, basta executar o comando abaixo logo no início do Colab, executando toda vez que iniciar a sessão
!pip uninstall torch -y
!python -m pip install torch==2.0.1 torchvision==0.15.2 –extra-index-url https://download.pytorch.org/whl/cu118Em seguida, pode continuar a rodar o restante do código.
Basta colar no início do Colab e executar, mas se tiver dúvidas confira aqui o Colab oficial da aula pois lá já se encontra atualizado.
Olá! Isso ocorre pois você passou da quota limite permitida para uso gratuito da GPU. Para resolver basta esperar algumas horas e então o Colab reseta essa quota e conseguirá usar a GPU de novo, mas dependendo do caso pode ser necessário aguardar até o dia seguinte. Se precisar acessar com certa urgência, use uma conta Google reserva e então conseguirá usar normalmente até que se passe algumas horas e consiga usar de novo a outra conta.
Mas essa parte do código em questão ainda não é necessário usar GPU, então você pode executar pela CPU mesmo (que não possui limites, apenas o limite máximo de duração de uma sessão que é de 12h, mas se chegar a usar tudo isso direto basta reiniciar a sessão).
Para mudar para CPU, selecione no menu do topo: Ambiente de execução > Alterar o tipo de ambiente de execução.
e em Acelerador de Hardware mude para CPU.Olá Niko e Abraão!
Recomendo seguir esse artigo pois apresenta um checklist do que fazer para treinar no AWS, talvez o problema seja devido à falta de algum detalhe (tem um vídeo bom também explicando, veja aqui).
Mas ainda quanto ao fato de desconectar do Colab, você disse que fez um bot para ficar mexendo a tela né, sugiro você também testar esse código aqui: https://stackoverflow.com/a/60579132 feito para evitar as desconexões. Teste e me avise qualquer coisa por aqui.
E quanto à sua dúvida Abraão, você pode facilmente baixar o código em um arquivo no formato .py, ou seja, o formato esperado pelo PyCharm e VSCode. Para isso, basta ir abrir o Colab que deseja baixar, e no menu do topo selecione a opção Arquivo > Fazer download > Fazer do download de .py
