DeepLabCut中Transformer re-ID训练中的np.nanmean函数问题分析
2025-06-09 21:54:51作者:柏廷章Berta
问题背景
在DeepLabCut项目的PyTorch引擎中,当使用Transformer进行re-ID(重识别)训练时,发现了一个关键函数query_feature_by_coord_in_img_space()
存在潜在问题。该函数用于在图像空间中通过坐标匹配特征,是创建训练三元组(triplets)的重要环节。
问题现象
原始代码中使用了np.nanmean
来计算坐标差异的平均值,然后通过np.argmin
寻找最小差异的索引。但在实际运行中,当存在全NaN的切片时,np.nanmean
会产生警告并返回NaN值,导致np.argmin
错误地选择了第一个NaN值对应的索引,而非真正的最小差异索引。
技术细节分析
-
输入数据结构:
coordinates
:形状为(10,9,2)的数组,表示10个动物每个有9个关键点的坐标ref_coord
:形状为(9,2)的数组,表示参考坐标
-
问题重现:
- 计算坐标差异时,大量值被设置为NaN
- 当某个动物的所有坐标差异都为NaN时,
np.nanmean
无法计算有效均值 np.argmin
遇到NaN时会错误地选择第一个NaN位置
-
影响范围:
- 导致特征匹配错误
- 进而影响三元组数据的质量
- 最终导致re-ID模型的训练准确率仅能达到50-60%
解决方案
使用np.ma.masked_invalid
包装np.nanmean
的结果,可以正确处理全NaN的情况:
def query_feature_by_coord_in_img_space(feature_dict, frame_id, ref_coord):
features = feature_dict[frame_id]["features"]
coordinates = feature_dict[frame_id]["coordinates"]
diff = coordinates - ref_coord
diff[np.where(np.logical_or(diff > 9000, diff < 0))] = np.nan
masked_means = np.ma.masked_invalid(np.nanmean(diff, axis=(1, 2)))
match_id = np.argmin(masked_means)
return features[match_id]
修复效果
修复后,Transformer re-ID模型的训练效果显著提升:
-
小规模训练集(1000个三元组):
- 训练准确率从~65%提升至97-98%
- 测试准确率从~55%提升至96%
-
大规模训练集(10000个三元组):
- 训练准确率达到100%
- 测试准确率同样达到100%
技术启示
- 在处理包含NaN值的数组运算时,需要特别注意全NaN切片的情况
- NumPy的masked数组提供了更安全的NaN处理机制
- 特征匹配算法的准确性对后续模型训练有决定性影响
- 在计算机视觉任务中,数据预处理环节的微小错误可能导致模型性能的显著下降
这个问题展示了在深度学习流程中,即使是很小的数值处理细节,也可能对最终模型性能产生重大影响。开发者在实现类似功能时,应当特别注意边缘情况和异常值的处理。
登录后查看全文
热门项目推荐
相关项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8