Pregled sadržaja[Sakriti][Pokazati]
Jedna od najjednostavnijih, ali najintrigantnijih ideja u dubokom učenju je otkrivanje objekata. Temeljna ideja je podijeliti svaku stavku u uzastopne klase koje predstavljaju usporedive osobine i zatim nacrtati okvir oko nje.
Ove razlikovne karakteristike mogu biti jednostavne poput oblika ili boje, što pomaže u našoj sposobnosti da ih kategoriziramo.
Primjene od Otkrivanje objekta naširoko se koriste u medicinskim znanostima, autonomnoj vožnji, obrani i vojsci, javnoj upravi i mnogim drugim područjima zahvaljujući značajnim poboljšanjima računalnog vida i obrade slike.
Ovdje imamo MMDetection, fantastičan set alata za otkrivanje objekata otvorenog koda izgrađen na Pytorchu. U ovom ćemo članku detaljno ispitati MMDetection, praktički se upoznati s njim, razgovarati o njegovim značajkama i još mnogo toga.
Što je MMDetekcija?
Korištenje električnih romobila ističe MMDetekcija Toolbox je stvoren kao Python kodna baza posebno za probleme koji uključuju identifikaciju objekata i segmentaciju instanci.
Koristi se PyTorch implementacija, a kreirana je na modularni način. Za prepoznavanje objekata i segmentaciju instanci, širok raspon učinkovitih modela sastavljen je u različite metodologije.
Omogućuje učinkovito zaključivanje i brzu obuku. S druge strane, alatni okvir uključuje težine za više od 200 unaprijed obučenih mreža, što ga čini brzim popravkom u polju identifikacije objekta.
Uz mogućnost prilagodbe trenutnih tehnika ili stvaranja novog detektora pomoću dostupnih modula, MMDetection funkcionira kao mjerilo.
Ključna značajka alatne kutije je njezino uključivanje jednostavnih, modularnih dijelova od normalnih otkrivanje objekta okvir koji se može koristiti za stvaranje jedinstvenih cjevovoda ili jedinstvenih modela.
Mogućnosti benchmarkinga ovog kompleta alata olakšavaju izgradnju novog okvira detektora povrh postojećeg okvira i usporedbu njegove izvedbe.
Značajke
- Popularni i moderni okviri za otkrivanje, kao što su Faster RCNN, Mask RCNN, RetinaNet itd., izravno su podržani od strane alata.
- Upotreba 360+ unaprijed obučenih modela za fino podešavanje (ili ponovno treniranje).
- Za dobro poznate skupove podataka o vidu uključujući COCO, Cityscapes, LVIS i PASCAL VOC.
- Na GPU-u se izvršavaju sve osnovne operacije bbox-a i maske. Ostale baze kodova, kao što su Detectron2, maskrcnn-benchmark i SimpleDet, mogu se uvježbavati bržom brzinom od ove ili jednake ovoj.
- Istraživači rastavljaju otkrivanje objekta okvir u nekoliko modula, koji se potom mogu kombinirati kako bi se stvorio jedinstveni sustav za otkrivanje objekata.
MMDetection arhitektura
MMDetection specificira generički dizajn koji se može primijeniti na bilo koji model budući da je alatna kutija s nizom unaprijed izgrađenih modela, od kojih svaki ima svoju arhitekturu. Sljedeće komponente čine ovu cjelokupnu arhitekturu:
- Kičma: okosnica, kao što je ResNet-50 bez konačnog potpuno povezanog sloja, je komponenta koja pretvara sliku u mape značajki.
- Vrat: Vrat je segment koji povezuje kičmu s glavama. Na sirovim kartama značajki okosnice vrši određene prilagodbe ili rekonfiguracije. Feature Pyramid Network jedna je ilustracija (FPN).
- Gusta Glava (AnchorHead/AnchorFreeHead): To je komponenta koja radi na gustim područjima mapa značajki, kao što su AnchorHead i AnchorFreeHead, kao što su RPNHead, RetinaHead i FCOSHead.
- RoIExtractor: Uz korištenje operatora sličnih RoIPoolingu, odjeljak je taj koji izvlači značajke RoIwise iz jedne ili zbirke mapa značajki. Uzorak SingleRoIExtractor izvlači značajke RoI-a iz odgovarajuće razine piramida značajki.
- RoIHead (BBoxHead/MaskHead): To je dio sustava koji koristi karakteristike RoI-a kao ulaz i generira predviđanja specifična za zadatak temeljena na RoI-u, kao što je klasifikacija/regresija graničnog okvira i predviđanje maske.
Konstrukcija jednostupanjskog i dvostupanjskog detektora ilustrirana je korištenjem gore navedenih koncepata. Možemo razviti vlastite postupke jednostavnim konstruiranjem nekoliko svježih dijelova i kombiniranjem nekih postojećih.
Popis modela uključenih u MMDetection
MMDetection pruža vrhunske baze kodova za nekoliko dobro poznatih modela i modula orijentiranih na zadatke. Modeli koji su prethodno napravljeni i prilagodljive metode koje se mogu koristiti s alatom MMDetection navedeni su u nastavku. Popis raste kako se dodaje više modela i metoda.
- Brzi R-CNN
- Brži R-CNN
- Maska R-CNN
- RetinaNet
- DCN
- DCNv2
- Kaskada R-CNN
- M2Det
- Ghm
- ScratchDet
- Dvoglavi R-CNN
- Mreža R-CNN
- FSAF
- Vaga R-CNN
- GCNet
- HRNet
- Bodovanje maske R-CNN
- FCOS
- SSD
- R-FCN
- Mješoviti trening preciznosti
- Standardizacija težine
- Hibridna kaskada zadataka
- Vođeno sidrenje
- Generalizirana pozornost
Izrada modela detekcije objekta pomoću MMDetection
U ovom vodiču, mi ćemo biti Google Collab bilježnica jer se lako postavlja i koristi.
Montaža
Da bismo instalirali sve što nam treba, prvo ćemo instalirati potrebne biblioteke i klonirati MMdetection GitHub projekt.
Uvoz env
Okruženje za naš projekt sada će biti uvezeno iz repozitorija.
Uvoz biblioteka i MMdetection
Sada ćemo uvesti potrebne biblioteke, zajedno s MMdetection naravno.
Preuzmite unaprijed obučene kontrolne točke
Unaprijed uvježbane kontrolne točke modela iz MMdetection sada bi se trebale preuzeti radi daljnjeg prilagođavanja i zaključivanja.
Model građenja
Sada ćemo konstruirati model i primijeniti kontrolne točke na skup podataka.
Zaključite detektor
Sada kada je model ispravno konstruiran i učitan, provjerimo koliko je izvrstan. Koristimo MMDetectionov API detektor zaključivanja visoke razine. Ovaj API je osmišljen kako bi olakšao proces zaključivanja.
Proizlaziti
Pogledajmo rezultate.
Zaključak
Zaključno, alatni okvir MMDetection nadmašuje nedavno objavljene baze kodova kao što su SimpleDet, Detectron i Maskrcnn-benchmark. Uz veliku kolekciju modela,
MMDetection je sada vrhunska tehnologija. MMDetection nadmašuje sve druge baze kodova u pogledu učinkovitosti i izvedbe.
Jedna od najljepših stvari kod MMdetectiona je ta što sada možete jednostavno pokazati na drugu konfiguracijsku datoteku, preuzeti drugu kontrolnu točku i pokrenuti isti kod ako želite promijeniti modele.
Savjetujem da pogledate njihove instrukcije ako naiđete na probleme s bilo kojom od faza ili želite neke od njih provesti drugačije.
Ostavi odgovor