Sisukord[Peida][Näita]
Üks lihtsamaid, kuid intrigeerivamaid ideid süvaõppes on objektide tuvastamine. Põhiidee on jagada iga üksus järjestikusteks klassideks, mis esindavad võrreldavaid tunnuseid, ja seejärel joonistada selle ümber kast.
Need eristavad omadused võivad olla nii lihtsad kui vorm või värv, mis aitab meil neid kategoriseerida.
Rakendused Objekti tuvastamine on laialdaselt kasutusel meditsiiniteadustes, autonoomses sõidus, kaitse- ja sõjaväes, avalikus halduses ja paljudes muudes valdkondades tänu arvutinägemise ja pilditöötluse olulistele täiustustele.
Siin on meil MMDetection, fantastiline Pytorchile ehitatud avatud lähtekoodiga objektide tuvastamise tööriistakomplekt. Selles artiklis uurime üksikasjalikult MMDectionit, käsitleme seda praktiliselt, arutame selle funktsioone ja palju muud.
Mis on MMDtuvastus?
. MMDtuvastus tööriistakast loodi Pythoni koodibaasina spetsiaalselt objektide tuvastamise ja eksemplari segmenteerimisega seotud probleemide jaoks.
Kasutatakse PyTorchi rakendust ja see luuakse modulaarselt. Objektide tuvastamiseks ja eksemplaride segmenteerimiseks on mitmesugusteks metoodikateks koostatud lai valik tõhusaid mudeleid.
See võimaldab tõhusaid järeldusi ja kiiret koolitust. Teisest küljest sisaldab tööriistakast raskusi enam kui 200 eelkoolitatud võrgu jaoks, mis muudab selle objekti tuvastamise väljal kiireks lahenduseks.
Tänu võimalusele kohandada olemasolevaid tehnikaid või luua saadaolevate moodulite abil uus detektor, toimib MMDetection võrdlusalusena.
Tööriistakasti põhifunktsiooniks on lihtsate, tavaliste modulaarsete osade kaasamine objektide tuvastamine raamistik, mida saab kasutada ainulaadsete torujuhtmete või ainulaadsete mudelite loomiseks.
Selle tööriistakomplekti võrdlusuuringu võimalused muudavad olemasoleva raamistiku peale uue detektoriraamistiku loomise ja selle toimivuse võrdlemise lihtsaks.
FUNKTSIOONID
- Tööriistakomplekt toetab otseselt populaarseid ja kaasaegseid tuvastamisraamistikke, nagu Faster RCNN, Mask RCNN, RetinaNet jne.
- 360+ eelkoolitatud mudelite kasutamine peenhäälestamiseks (või uueks treenimiseks).
- Tuntud nägemisandmete kogumite jaoks, sealhulgas COCO, Cityscapes, LVIS ja PASCAL VOC.
- GPU-del teostatakse kõik põhilised bboxi ja maski toimingud. Teisi koodibaase, nagu Detectron2, maskrcnn-benchmark ja SimpleDet, saab treenida kiiremini või sellega võrdselt.
- Teadlased murravad objektide tuvastamine raamistik mitmeks mooduliks, mida saab seejärel kombineerida ainulaadse objektituvastussüsteemi loomiseks.
MMDektsiooni arhitektuur
MMDetection määrab üldise kujunduse, mida saab rakendada mis tahes mudelile, kuna see on tööriistakast, mis sisaldab mitmesuguseid eelehitatud mudeleid, millest igaühel on oma arhitektuur. Selle üldise arhitektuuri moodustavad järgmised komponendid:
- Selgroog: selgroog, näiteks ResNet-50 ilma lõpliku täielikult ühendatud kihita, on komponent, mis teisendab pildi funktsioonikaartideks.
- kael: Kael on segment, mis ühendab selgroogu peadega. Põhivõrgu töötlemata funktsioonikaartidel teeb see teatud kohandusi või ümberseadistusi. Funktsioon Pyramid Network on üks illustratsioon (FPN).
- Tihepea (AnchorHead/AnchorFreeHead): see on komponent, mis töötab funktsioonikaartide tihedatel aladel, nagu AnchorHead ja AnchorFreeHead, nagu RPNHead, RetinaHead ja FCOSHead.
- RoIEExtractor: RoIPoolingu-laadsete operaatorite kasutamisel tõmbab see osa RoIwise'i funktsioonid ühest või objektikaartide kogumist. SingleRoIExtractori näidis ekstraheerib RoI-funktsioonid funktsioonipüramiidide vastava tasemega.
- RoIHead (BBoxHead/MaskHead): see on süsteemi osa, mis kasutab sisendina investeeringutasuvuse karakteristikuid ja genereerib RoI-põhiseid ülesandepõhiseid ennustusi, nagu piirdekasti klassifitseerimine/regressioon ja maski ennustus.
Üheastmeliste ja kaheastmeliste detektorite ehitust illustreeritakse eelnimetatud kontseptsioonide abil. Saame välja töötada oma protseduurid, lihtsalt ehitades mõned uued osad ja ühendades mõned olemasolevad.
MMDetectionis sisalduvate mudelite loend
MMDetection pakub tipptasemel koodibaase mitmele tuntud mudelile ja ülesandele orienteeritud moodulile. Allpool on loetletud varem loodud mudelid ja kohandatavad meetodid, mida saab MMDetectioni tööriistakastiga kasutada. Nimekiri kasvab pidevalt, kuna mudeleid ja meetodeid lisandub.
- Kiire R-CNN
- Kiirem R-CNN
- Mask R-CNN
- RetinaNet
- DCN
- DCNv2
- Kaskaad R-CNN
- M2Det
- GHM
- ScratchDet
- Kahepealine R-CNN
- Võrgustik R-CNN
- FSAF
- Kaalud R-CNN
- GCNet
- HRNet
- Maski hindamine R-CNN
- FCOS
- SSD
- R-FCN
- Segatäppiskoolitus
- Kaalu standardimine
- Hübriidülesannete kaskaad
- Juhitud ankurdamine
- Üldine tähelepanu
Objektide tuvastamise mudeli ehitamine MMDetectioni abil
Selles õpetuses oleme Google'i koostöömärkmik, kuna seda on lihtne seadistada ja kasutada.
paigaldamine
Kõige vajaliku installimiseks installime esmalt vajalikud teegid ja kloonime projekti MMdetection GitHub.
Imporditakse env
Meie projekti keskkond imporditakse nüüd hoidlast.
Teekide importimine ja MM-tuvastus
Impordime nüüd vajalikud teegid koos loomulikult MM-tuvastusega.
Laadige alla eelkoolitatud kontrollpunktid
MMdetectioni eelkoolitatud mudeli kontrollpunktid tuleks nüüd edasiseks reguleerimiseks ja järelduste tegemiseks alla laadida.
Ehitise mudel
Nüüd loome mudeli ja rakendame kontrollpunktid andmekogumile.
Järeldage detektorit
Nüüd, kui mudel on korralikult konstrueeritud ja laaditud, kontrollime, kui suurepärane see on. Kasutame MMDetectioni kõrgetasemelist API järeldusdetektorit. See API on loodud järeldusprotsessi hõlbustamiseks.
Tulemus
Vaatame tulemusi.
Järeldus
Kokkuvõtteks võib öelda, et MMDetectioni tööriistakast ületab hiljuti välja antud koodibaase, nagu SimpleDet, Detectron ja Maskrcnn-benchmark. Suure mudelikollektsiooniga
MMDtection on nüüd tipptehnoloogia. MMDetection ületab tõhususe ja jõudluse poolest kõiki teisi koodibaase.
Üks toredamaid asju MMdetectioni juures on see, et nüüd saate lihtsalt osutada teisele konfiguratsioonifailile, laadida alla erineva kontrollpunkti ja käivitada sama koodi, kui soovite mudeleid muuta.
Soovitan neid vaadata juhised kui teil tekib mõne etapiga probleeme või soovite mõnda neist läbi viia teisiti.
Jäta vastus