一级特黄绿象免费视频,婷婷社区五月天,亚洲高清无码一区,成人福利午夜A片公司,在线电影无码,三区在线播放,男人的天堂成人片,最新中文字幕2019视频在线不卡

點(diǎn)擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

導(dǎo)讀

上一篇講到如何安裝MMDetection，今天要分享如何使用 MMDetection 訓(xùn)練自定義數(shù)據(jù)集，其實(shí)非常簡單！

前言

深度學(xué)習(xí)發(fā)展到現(xiàn)在已經(jīng)有很多優(yōu)秀的模型，同時(shí)很多大公司也會(huì)在內(nèi)部開發(fā)自己的框架，快速的實(shí)現(xiàn)業(yè)務(wù)，從而產(chǎn)生實(shí)際價(jià)值。

如下面的招聘要求一樣，市場需要這些能熟練使用現(xiàn)有工具快速實(shí)現(xiàn)，MMDetection 是一個(gè)非常好的選擇。

為了便于記錄和理解內(nèi)容，這里將整篇文章的主要內(nèi)容，繪制成思維導(dǎo)圖的形式：

接下來開始實(shí)際使用！如果對(duì)你有所幫助，請(qǐng)給我意見三連。

在本文中，你將知道如何使用定制的數(shù)據(jù)集推斷、測試和訓(xùn)練預(yù)定義的模型。我們以ballon數(shù)據(jù)集為例來描述整個(gè)過程。

氣球數(shù)據(jù)集：https://github.com/matterport/Mask_RCNN/tree/master/samples/balloon
https://github.com/matterport/Mask_RCNN/releases

1、準(zhǔn)備自定義數(shù)據(jù)集

官方教程：https://mmdetection.readthedocs.io/en/latest/2_new_data_model.html

有三種方法在MMDetection中支持新的數(shù)據(jù)集:

將數(shù)據(jù)集重新組織為COCO格式。
將數(shù)據(jù)集重新組織為中間格式。
實(shí)現(xiàn)一個(gè)新的數(shù)據(jù)集。

官方建議使用前兩種方法，這兩種方法通常比第三種方法簡單。

在本文中，我們給出了一個(gè)將數(shù)據(jù)轉(zhuǎn)換為COCO格式的示例。

注意：MMDetection目前只支持評(píng)估COCO格式數(shù)據(jù)集的mask AP。因此，例如實(shí)例分割任務(wù)，用戶應(yīng)該將數(shù)據(jù)轉(zhuǎn)換為coco格式。

COCO 標(biāo)注格式

以下是實(shí)例分割所需的COCO格式所需的關(guān)鍵，完整的細(xì)節(jié)請(qǐng)參考這里。

https://cocodataset.org/#format-data

{
    "images": [image],
    "annotations": [annotation],
    "categories": [category]
}


image = {
    "id": int,
    "width": int,
    "height": int,
    "file_name": str,
}

annotation = {
    "id": int,
    "image_id": int,
    "category_id": int,
    "segmentation": RLE or [polygon],
    "area": float,
    "bbox": [x,y,width,height],
    "iscrowd": 0 or 1,
}

categories = [{
    "id": int,
    "name": str,
    "supercategory": str,
}]

假設(shè)我們使用ballon數(shù)據(jù)集。下載數(shù)據(jù)之后，我們需要實(shí)現(xiàn)一個(gè)函數(shù)來將注釋格式轉(zhuǎn)換為COCO格式。然后我們可以使用實(shí)現(xiàn)的COCODataset加載數(shù)據(jù)，并執(zhí)行訓(xùn)練和評(píng)估。

如果你看一下數(shù)據(jù)集，你會(huì)發(fā)現(xiàn)數(shù)據(jù)集的格式如下:

{'base64_img_data': '', 'file_attributes': {}, 'filename': '34020010494_e5cb88e1c4_k.jpg', 'fileref': '', 'regions': {'0': {'region_attributes': {},   'shape_attributes': {'all_points_x': [1020,     1000,     994,     1003,     1023,     1050,     1089,     1134,     1190,     1265,     1321,     1361,     1403,     1428,     1442,     1445,     1441,     1427,     1400,     1361,     1316,     1269,     1228,     1198,     1207,     1210,     1190,     1177,     1172,     1174,     1170,     1153,     1127,     1104,     1061,     1032,     1020],    'all_points_y': [963,     899,     841,     787,     738,     700,     663,     638,     621,     619,     643,     672,     720,     765,     800,     860,     896,     942,     990,     1035,     1079,     1112,     1129,     1134,     1144,     1153,     1166,     1166,     1150,     1136,     1129,     1122,     1112,     1084,     1037,     989,     963],    'name': 'polygon'}}}, 'size': 1115004}

annotation 是一個(gè)JSON文件，其中每個(gè) key 都表示圖像的所有注釋。將ballon數(shù)據(jù)集轉(zhuǎn)換為coco格式的代碼如下所示。

import os.path as ospimport mmcv
def convert_balloon_to_coco(ann_file, out_file, image_prefix):    data_infos = mmcv.load(ann_file)
    annotations = []    images = []    obj_count = 0
    for idx, v in enumerate(mmcv.track_iter_progress(data_infos.values())):        filename = v['filename']        img_path = osp.join(image_prefix, filename)        height, width = mmcv.imread(img_path).shape[:2]
        images.append(dict(            id = idx,            file_name = filename,            height=height,            width = width))
        bboxes = []        labels = []        masks = []        for _, obj in v['regions'].items():            assert not obj['region_attributes']            obj = obj['shape_attributes']            px = obj['all_points_x']            py = obj['all_points_y']            poly = [(x+0.5, y+0.5) for x,y in zip(px,py)]            poly = [p for  x in poly for p in x]
            x_min, y_min, x_max, y_max = (                min(px), min(py), max(px),max(py))                        data_anno = dict(                image_id = idx,                id = obj_count,                category_id = 0,                bbox = [x_min, y_min, x_max-x_min, y_max-y_min],                area = (x_max - x_min)*(y_max - y_min),                segmentation = [poly],                iscrowd =0)
            annotations.append(data_anno)            obj_count += 1    coco_format_json = dict(        images = images,        annotations = annotations,        categories=[{'id':0, 'name':'balloon'}]    )    mmcv.dump(coco_format_json, out_file)
# 對(duì)驗(yàn)證集數(shù)據(jù)進(jìn)行處理是，將下面路徑中的train 替換成val 即可# 注意數(shù)據(jù)集 balloon 的路徑自行調(diào)整ann_file = './balloon/train/via_region_data.json'out_file?=?'./balloon/train/annotation_coco.json'image_prefix = './balloon/train'convert_balloon_to_coco(ann_file, out_file, image_prefix)

注釋：

# 可以加載 json, yaml, pkl 文件
import mmcv
mmcv.load('test.json')

# 刷新位置的進(jìn)度條方式
mmcv.track_iter_progress(tasks)

參考資料：https://zhuanlan.zhihu.com/p/126725557
https://mmcv.readthedocs.io/en/stable/

通過上面的函數(shù)，用戶可以成功地將標(biāo)注文件轉(zhuǎn)換成json格式，然后我們可以使用CocoDataset對(duì)模型進(jìn)行訓(xùn)練和評(píng)估。

2、config文件配置

第二步是準(zhǔn)備一個(gè) config，這樣數(shù)據(jù)集就可以成功加載。假設(shè)我們想使用帶有FPN的Mask R-CNN，在balloon數(shù)據(jù)集上訓(xùn)練檢測器的配置如下。假設(shè)配置在configs/balloon/目錄下，命名為mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_balloon.py。配置如下所示。

# The new config inherits a base config to highlight the necessary modification_base_ = '../mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_coco.py'
# We also need to change the num_classes in head to match the dataset's annotationmodel = dict(    roi_head=dict(        bbox_head=dict(num_classes=1),        mask_head=dict(num_classes=1)))
# Modify dataset related settingsdataset_type = 'COCODataset'classes = ('balloon',)data = dict(    train=dict(        img_prefix='balloon/train/',        classes=classes,        ann_file='balloon/train/annotation_coco.json'),    val=dict(        img_prefix='balloon/val/',        classes=classes,        ann_file='balloon/val/annotation_coco.json'),    test=dict(        img_prefix='balloon/val/',        classes=classes,        ann_file='balloon/val/annotation_coco.json'))
# We can use the pre-trained Mask RCNN model to obtain higher performanceload_from = 'checkpoints/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco_bbox_mAP-0.408__segm_mAP-0.37_20200504_163245-42aa3d00.pth'

注意：

這里的_base_ 要修改成

_base_ = '../mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_coco.py'
官方提供的路徑有一點(diǎn)問題

3、自定義數(shù)據(jù)集上訓(xùn)練、測試、推理模型

訓(xùn)練一個(gè)新模型

使用新的config 訓(xùn)練一個(gè)模型，直接運(yùn)行下面的代碼即可：

python tools/train.py configs/balloon/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_balloon.py

如果報(bào)錯(cuò)

 raise IOError(f'{filename} is not a checkpoint file')
OSError: checkpoints/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco_bbox_mAP-0.408__segm_mAP-0.37_20200504_163245-42aa3d00.pth is not a checkpoint file

建議去官方提供的預(yù)訓(xùn)練模型下載地址去下載，并放置在checkpoints?文件夾下

https://mmdetection.readthedocs.io/en/latest/model_zoo.html
直接下載：http://download.openmmlab.com/mmdetection/v2.0/mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco_bbox_mAP-0.408__segm_mAP-0.37_20200504_163245-42aa3d00.pth

注意：

大概需要 9 G 的現(xiàn)存才能跑的起來。。。

測試并推理

測試訓(xùn)練好的模型，直接運(yùn)行：

python tools/test.py configs/balloon/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_balloon.py work_dirs/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_balloon.py/latest.pth --eval bbox segm

好的今天的分享就到這里，如果對(duì)你有所幫助，記得三連哈！筆芯，新年快樂

個(gè)人微信（如果沒有備注不拉群！）
請(qǐng)注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱



下載1：何愷明頂會(huì)分享

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經(jīng)典工作的總結(jié)分析

下載2：終身受益的編程指南：Google編程風(fēng)格指南

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：c++，即可下載。歷經(jīng)十年考驗(yàn)，最權(quán)威的編程規(guī)范！


下載3 CVPR2020

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：CVPR2020，即可下載1467篇CVPR?2020論文

覺得不錯(cuò)就點(diǎn)亮在看吧

妙啊！MMDetection 訓(xùn)練自定義數(shù)據(jù)集

前言