Grounding DINO的colab报错问题解决方法

UESTC_Moxun

已于 2025-05-26 16:55:05 修改

阅读量444

点赞数 11

CC 4.0 BY-SA版权

文章标签： python 目标检测

于 2025-05-19 17:12:49 首次发布

本文链接：https://blog.csdn.net/qq_43587443/article/details/148068448

2025.5.26 16:50补充：pytorch在1.9版本开始不再支持input.type()这种方式

// 旧写法（已弃用）
auto dtype = input.type().scalar_type();
auto device = input.type().backend();

// 新写法（推荐）
auto dtype = input.scalar_type();
auto device = input.device().type();

PyTorch 版本	`input.type()`	`input.scalar_type()`
≤ 1.4	✅ 支持	✅ 支持
1.5 – 1.8	⚠️ 弃用中	✅ 推荐
≥ 1.9	❌ 不支持	✅ 必须使用

2025.5.19 18:00 补充：官方colab没有设置CUDA_HOME,可以考虑使用如下代码设置

import os

os.environ['CUDA_HOME'] = '/usr/local/cuda'

最近在colab尝试Grounding DINO的demo(ipynb)时遇到了一些问题：

1.NameError: name '_C' is not defined

2.error: subprocess-exited-with-error

运行出问题部分（该部分问题不解决，直接运行后续预测代码，会报错NameError: name '_C' is not defined）：

%cd {HOME}
!git clone https://github.com/IDEA-Research/GroundingDINO.git
%cd {HOME}/GroundingDINO
!pip install -q -e .
!pip install -q roboflow

解决办法：

修改”GroundingDINO/groundingdino/models/GroundingDINO/csrc/MsDeformAttn/ms_deform_attn_cuda.cu“文件第65行与135行，将value.type()修改为value.scalar_type()，修改完后重新运行出问题部分代码，可以成功跑起来。

出错原因：colab上使用的torch2.6.0+cuda12.5或以上版本已经不再兼容旧的.type()方式，导致groundingdino库构建出错，无法成功安装

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

UESTC_Moxun

关注关注

11
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

运行Grounded-Segment-Anything报错：NameError: name ‘_C‘ is not defined

chenzhuochen7788的博客

02-22

1678

简单说就是先把GroundingDINO给卸载掉，然后cd到GroundingDINO的文件夹，执行。问题出在GroundingDINO上。

debug: NameError: name ‘_C‘ is not defined 本地运行 GroundingDINO 代码 debug 记录

Cleo_Gao的博客

05-08

7122

本地跑 Grounding DINO 过程记录

参与评论您还未登录，请先登录后发表或查看评论

多模态模型 Grounding DINO 初识

weixin_29420421的博客

06-08

112

Grounding DINO 是一种先进的零样本目标检测模型，由 IDEA Research 开发。它通过将基于 Transformer 的检测器 DINO 与Grounded Pre-Training相结合，实现了通过人类输入（如类别名称或指代表达）对任意物体进行检测。例如在不需要任何训练的情况下，告诉Grounding DINO找出图像中人所在的位置，Grounding DINO就能标注出人的坐标。

GroundingDINO 安装笔记

jacke121的专栏

11-11

1288

【代码】GroundingDINO 安装笔记。

NameError: name ‘_C‘ is not defined一种解决

qilanjie1的博客

05-29

2463

配合我之前juypter翻墙，重新运行。环境：wsl ubuntu22.04。

GroundingDINO安装报错解决方案

最新发布

m0_60304650的博客

07-04

342

网上看到好多帖子说要下载visual studio，直到看到这个大佬发的方法一试就成功了，无需安装visual studio，这个包可以解决C++依赖的问题。先通过pip 的方式安装如果不行则通过git下载到本地，进入这个文件夹，通过pip install -e . 这个方式来装。

Cuda 12.4 运行 GroundingDINO

lhy_6668的博客

03-16

399

在Cuda12.4上安装GroundingDINO不成功。修改ms_deform_attn_cuda.cu。原因：没有支持cuda11.8及以上。修改ms_deform_attn.h。

Grounding DINO 及其进阶版 1.5 SAM SAM2 的源代码及预训练模型，适用于无法打开Github网页的同学

08-13

内含 Grounding DINO 源码+预训练模型+paper、Grounding DINO 1.5 源码、Grounding DINO SAM 源码+paper、Grounding DINO SAM2 源码，适用于无法打开Github网页的同学

微调Grounding DINO

qq_44908396的博客

10-09

3330

微调grounding dino

Grounding DINO 1.5: 推动开放集目标检测的前沿

2401_87458778的博客

09-23

1337

Grounding DINO 1.5是由IDEA Research开发的一套先进的开放集目标检测模型。该系列包含两个主要版本:Grounding DINO 1.5 Pro:这是该系列中性能最强大的模型,专为各种复杂场景下的目标检测任务而设计,具有出色的泛化能力。Grounding DINO 1.5 Edge:这是一个经过优化的高效模型,专门用于边缘计算场景,可以在保证检测质量的同时实现更快的检测速度。

DETR系列文章之–Grounding DINO

weixin_43731232的博客

04-12

1274

Grounding DINO，一种开集目标检测方案，基于Transformer的检测器DINO与GT预测相结合。双encoder单decoder。论文下载代码下载CSDN解说双encoder单decoder，开集目标检测方案。支持文本的目标检测（实现方式：将language信息引入到目标的通用特征中）实现从close-set到open-set的创新（实现关键：引入text encode)

Grounding DINO：根据文字提示检测任意目标

猛码Memmat

08-14

1218

Grounding DINO

NameError: name ‘_C‘ is not defined

Mrs.King的博客

12-21

1万+

解决方法：pip install Cython，重启kernel

【Jupyter Notebook - python3.8】import torch报错NameError: name ‘_C‘ is not defined

qq_53913150的博客

04-01

5742

问题原因：Anaconda安装的numpy版本过高（高于1.18.2），而python是3.8版本，两个版本不匹配，python3.8版本应该对应numpy1.18.2版本

import torch NameError: name ‘_C‘ is not defined

qq_35180466的博客

03-20

1万+

在安装了pandas后，jupyter notebook上import torch失败，解决办法如下： pip install Cython 之前conda install Cython仍报错，但是换成pip就可以，原因未找到。

name ‘_C‘ is not defined（pytorch1.9.0在jupyter notebook上报错）

weixin_44181203的博客

10-14

3632

NameError Traceback (most recent call last) in 1 from algorithms import Argparser ----> 2 from algorithms import Session 3 def main(): 4 print("main started") 5 args = Argparser.parse() D:\git\stav\stav-rl\algorithms\Session.py in 12 13 ---> 14 fro.

import pytorch报错 NameError: name ‘_C‘ is not defined

热门推荐

Paramagnetism的博客

11-10

2万+

NameError: name '_C' is not defined 今天安装gpu版本的torch，直接走清华源下下来安装报错，后通过conda install了所有的包后，命令行进入python后import torch无误，编译器中import报错NameError: name ‘_C’ is not defined，重启编译器即可。 ...

安装GroudingDINO RuntimeError: Error compiling objects for extension，如何解决？

**My Coding Family**

06-27

1605

ok，以上就是我这期的Bug修复内容啦，如果还想查找更多解决方案，你可以看看我专门收集Bug及提供解决方案的专栏「Bug调优」，都是实战中碰到的Bug，希望对你有所帮助。到此，咱们下期拜拜。码字不易，如果这篇文章对你有所帮助，帮忙给bug菌来个，您的支持就是我坚持写作分享知识点传播技术的最大动力。「猿圈奇妙屋」；以第一手学习bug菌的首发干货，不仅能学习更多技术硬货，还可白嫖最新BAT大厂面试真题、4000G Pdf技术书籍、万份简历/PPT模板、技术文章Markdown文档等海量资料，你想要的我都有。

roboflow数据标注

03-26

### 如何使用 Roboflow 进行数据标注 Roboflow 是一种强大的工具，用于管理和准备机器学习项目中的视觉数据集。它支持多种任务，包括分类、目标检测和图像分割等。为了帮助用户高效完成这些任务，Roboflow 提供了一系列功能来加速数据标注流程。 #### 1. 利用 SAM (Segment Anything Model) 加速数据标注 SAM 是 Meta 开发的一种先进的分割模型，可以显著减少手动标注的时间成本。通过集成 SAM 技术，Roboflow 的用户能够在短时间内完成复杂的标注任务。据统计，这种技术已经为社区节省了大约 74 年的工作时间[^1]。具体来说，SAM 可以实现以下操作： - **自动边界框生成**：对于目标检测任务，SAM 能够快速识别对象并为其创建精确的边界框。 - **像素级分割**：在更复杂的情况下，如实例分割或语义分割，SAM 提供高精度的掩码标注能力。 #### 2. 结合 Grounding DINO 实现自动化标注 Grounding DINO 是另一个高效的开源框架，专注于自然语言引导的目标检测与分割。如果用户的场景涉及大量未标注的数据，则可以通过 Grounding DINO 来进一步优化效率。下面是一个基于 Google Colab 的简单教程概述[^2]: ```python # 安装依赖项 !pip install groundingdino-torch from groundingdino.util.inference import load_model, predict model = load_model() # 初始化模型 predictions = predict(model=model, image_path="example.jpg", text_prompt="car") # 输入提示词 ``` 上述脚本展示了如何加载预训练好的 Grounding DINO 模型以及利用文字描述（例如 “car”）来自动生成对应标签的过程。 #### 3. 添加新类别到现有工作区内当需要向已有的 Roboflow 工作区引入新的内容类型时，可遵循如下方法[^3]: - 登录至 Roboflow 控制台； - 找到对应的项目区域； - 创建一个新的文件夹或者直接上传带有不同类别的图片； - 系统会根据先前设定的标准重新分配资源给新增加的部分；最终经过以上步骤处理后的成果会被存储于统一数据库下便于后续调取分析。