Բառը[Թաքցնել][Ցուցադրում]
Խորը ուսուցման ամենապարզ, բայց ամենահետաքրքիր գաղափարներից մեկը օբյեկտների հայտնաբերումն է: Հիմնական գաղափարն այն է, որ յուրաքանչյուր տարրը բաժանվի հաջորդական դասերի, որոնք ներկայացնում են համեմատելի հատկություններ, և այնուհետև դրա շուրջը գծել տուփ:
Այս տարբերակիչ հատկանիշները կարող են լինել նույնքան պարզ, որքան ձևը կամ գույնը, ինչը օգնում է դրանք դասակարգելու մեր կարողությանը:
-ի դիմումները Օբյեկտի հայտնաբերում լայնորեն կիրառվում են բժշկական գիտությունների, ինքնավար մեքենա վարելու, պաշտպանության և ռազմական, պետական կառավարման և շատ այլ ոլորտներում՝ համակարգչային տեսողության և պատկերների մշակման էական բարելավումների շնորհիվ:
Այստեղ մենք ունենք MMDetection, ֆանտաստիկ բաց կոդով օբյեկտների հայտնաբերման գործիքների հավաքածու՝ կառուցված Pytorch-ի վրա: Այս հոդվածում մենք մանրամասնորեն կուսումնասիրենք MMDetection-ը, գործնականում կանցնենք դրա հետ, կքննարկենք դրա առանձնահատկությունները և շատ ավելին:
Ինչ է MMDection?
The MMDection Գործիքների տուփը ստեղծվել է որպես Python կոդերի բազա՝ հատուկ օբյեկտների նույնականացման և օրինակների հատվածավորման հետ կապված խնդիրների համար:
PyTorch-ի իրականացումն օգտագործվում է, և այն ստեղծվում է մոդուլային եղանակով: Օբյեկտների ճանաչման և օրինակների սեգմենտավորման համար արդյունավետ մոդելների լայն շրջանակ կազմվել է տարբեր մեթոդաբանությունների մեջ:
Այն թույլ է տալիս արդյունավետ եզրակացություն և արագ ուսուցում: Մյուս կողմից, գործիքների տուփը ներառում է կշիռներ ավելի քան 200 նախապես պատրաստված ցանցերի համար, ինչը արագ լուծում է դարձնում օբյեկտների նույնականացման դաշտում:
Ընթացիկ տեխնիկան հարմարեցնելու կամ առկա մոդուլների միջոցով նոր դետեկտոր ստեղծելու ունակությամբ, MMDetection-ը գործում է որպես հենանիշ:
Գործիքատուփի հիմնական առանձնահատկությունն այն է, որ այն ներառում է սովորականից պարզ, մոդուլային մասեր օբյեկտների հայտնաբերում շրջանակ, որը կարող է օգտագործվել եզակի խողովակաշարեր կամ եզակի մոդելներ ստեղծելու համար:
Այս գործիքակազմի չափորոշիչի հնարավորությունները հեշտացնում են նոր դետեկտորի շրջանակ ստեղծելը գոյություն ունեցող շրջանակի վրա և համեմատել դրա կատարումը:
Հատկություններ
- Հանրաճանաչ և ժամանակակից հայտնաբերման շրջանակները, ինչպիսիք են Faster RCNN, Mask RCNN, RetinaNet և այլն, ուղղակիորեն աջակցվում են գործիքակազմի կողմից:
- 360+ նախապես պատրաստված մոդելների օգտագործումը ճշգրտման համար (կամ նորից մարզվելու համար):
- Տեսողության հայտնի տվյալների հավաքածուների համար, ներառյալ COCO, Cityscapes, LVIS և PASCAL VOC:
- GPU-ների վրա բոլոր հիմնարար bbox և mask գործողությունները կատարվում են: Այլ կոդերի բազաները, ինչպիսիք են Detectron2-ը, maskrcnn-benchmark-ը և SimpleDet-ը, կարող են վերապատրաստվել ավելի արագ տեմպերով, քան այս մեկը:
- Հետազոտողները քանդում են օբյեկտների հայտնաբերում շրջանակը մի քանի մոդուլների մեջ, որոնք այնուհետև կարող են համակցվել՝ ստեղծելով օբյեկտների հայտնաբերման եզակի համակարգ:
MMDetection Architecture
MMDetection-ը սահմանում է ընդհանուր դիզայն, որը կարող է կիրառվել ցանկացած մոդելի վրա, քանի որ այն նախապես կառուցված տարբեր մոդելներով գործիքների տուփ է, որոնցից յուրաքանչյուրն ունի իր ճարտարապետությունը: Հետևյալ բաղադրիչները կազմում են այս ընդհանուր ճարտարապետությունը.
- ՈղնաշարBackbone-ը, ինչպիսին է ResNet-50-ն առանց վերջնական լիովին միացված շերտի, այն բաղադրիչն է, որը պատկերը փոխակերպում է հատուկ քարտեզների:
- պարանոցՎիզը այն հատվածն է, որը կապում է ողնաշարը գլուխներին: Ողնաշարի հում առանձնահատկությունների քարտեզներում այն կատարում է որոշակի ճշգրտումներ կամ վերակազմավորումներ: Հատկանիշ Pyramid Network-ը մեկ նկարազարդում է (FPN):
- Խիտ Գլուխ (AnchorHead/AnchorFreeHead). Այն բաղադրիչն է, որը գործում է առանձնահատկությունների քարտեզների խիտ տարածքներում, ինչպիսիք են AnchorHead և AnchorFreeHead, ինչպիսիք են RPNHead, RetinaHead և FCOSHead:
- RoIE էքստրակտորRoIPooling-ի նման օպերատորների օգտագործմամբ այն բաժինն է, որը հանում է RoIwise-ի առանձնահատկությունները մեկ կամ մի շարք առանձնահատկությունների քարտեզներից: SingleRoIExtractor նմուշը քաղում է RoI-ի առանձնահատկությունները առանձնահատկությունների բուրգերի համապատասխան մակարդակից:
- RoIHead (BBoxHead/MaskHead). Դա համակարգի այն մասն է, որն օգտագործում է RoI-ի բնութագրերը որպես մուտքագրում և առաջացնում RoI-ի վրա հիմնված առաջադրանքի հատուկ կանխատեսումներ, ինչպիսիք են սահմանային տուփի դասակարգումը/հետընթացը և դիմակի կանխատեսումը:
Միաստիճան և երկաստիճան դետեկտորների կառուցումը պատկերված է վերը նշված հասկացությունների միջոցով: Մենք կարող ենք զարգացնել մեր սեփական ընթացակարգերը՝ պարզապես կառուցելով մի քանի թարմ մասեր և համատեղելով որոշ գոյություն ունեցողները:
MMDetection-ում ներառված մոդելների ցանկը
MMDetection-ը մի քանի հայտնի մոդելների և առաջադրանքների վրա հիմնված մոդուլների համար տրամադրում է բարձրակարգ կոդերի բազաներ: Նախկինում ստեղծված մոդելները և հարմարվողական մեթոդները, որոնք կարող են օգտագործվել MMDetection գործիքների տուփի հետ, թվարկված են ստորև: Ցանկը շարունակում է աճել, քանի որ ավելացվում են ավելի շատ մոդելներ և մեթոդներ:
- Արագ R-CNN
- Ավելի արագ R-CNN
- Դիմակ R-CNN
- RetinaNet
- DCN
- DCNv2
- Կասկադ R-CNN
- M2Det
- ԳՀՄ
- ScratchDet
- Կրկնակի ղեկավար R-CNN
- Ցանց R-CNN
- FSAF
- Կշեռք R-CNN
- GCNet
- HRNet
- Դիմակի գնահատում R-CNN
- FCOS
- SSD
- R-FCN
- Խառը ճշգրիտ ուսուցում
- Քաշի ստանդարտացում
- Հիբրիդային առաջադրանքների կասկադ
- Ուղղորդված խարիսխ
- Ընդհանրացված ուշադրություն
Օբյեկտների հայտնաբերման մոդելի ստեղծում՝ օգտագործելով MMDetection
Այս ձեռնարկում մենք կլինենք Google-ի համագործակցության նոթատետրը, քանի որ այն հեշտ է տեղադրել և օգտագործել:
տեղակայում
Մեզ անհրաժեշտ ամեն ինչ տեղադրելու համար մենք նախ կտեղադրենք անհրաժեշտ գրադարանները և կկլոնավորենք MMdetection GitHub նախագիծը։
Ներմուծող նախանձ
Մեր նախագծի միջավայրն այժմ կներմուծվի պահեստից:
Գրադարանների ներմուծում և MM-հայտնաբերում
Այժմ մենք կներմուծենք անհրաժեշտ գրադարանները, իհարկե, MM-ի հայտնաբերման հետ միասին:
Ներբեռնեք նախապես պատրաստված անցակետերը
MMdetection-ի նախապես պատրաստված մոդելային անցակետերն այժմ պետք է ներբեռնվեն հետագա ճշգրտման և եզրակացությունների համար:
Շենքի մոդել
Այժմ մենք կկառուցենք մոդելը և կկիրառենք անցակետերը տվյալների բազայում:
Եզրակացե՛ք դետեկտորին
Այժմ, երբ մոդելը պատշաճ կերպով կառուցվել և բեռնված է, եկեք ստուգենք, թե որքանով է այն գերազանց: Մենք օգտագործում ենք MMDetection-ի բարձր մակարդակի API եզրակացության դետեկտորը: Այս API-ն ստեղծվել է եզրակացության գործընթացը հեշտացնելու համար:
Արդյունք
Եկեք նայենք արդյունքներին:
Եզրափակում
Եզրափակելով, MMDetection գործիքների տուփը գերազանցում է վերջերս թողարկված կոդերի բազաները, ինչպիսիք են SimpleDet-ը, Detectron-ը և Maskrcnn-benchmark-ը: Մոդելների մեծ հավաքածուով,
MMDetection-ն այժմ գերժամանակակից տեխնոլոգիա է: MMDetection-ը արդյունավետության և կատարողականի առումով գերազանցում է կոդերի մյուս բոլոր բազաներին:
MMdetection-ի ամենալավ բաներից մեկն այն է, որ այժմ կարող եք պարզապես մատնացույց անել այլ կազմաձևման ֆայլ, ներբեռնել այլ անցակետ և գործարկել նույն կոդը, եթե ցանկանում եք փոխել մոդելները:
Խորհուրդ եմ տալիս նայել նրանց հրահանգներ եթե դուք խնդիրներ եք ունենում փուլերից որևէ մեկի հետ կամ ցանկանում եք դրանցից մի քանիսը այլ կերպ իրականացնել:
Թողնել գրառում