Bab lan Paragraf[Singidaken][Tampilake]
Salah sawijining ide sing paling gampang nanging paling nyenengake ing sinau jero yaiku deteksi obyek. Ide dhasar yaiku mbagi saben item dadi kelas berturut-turut sing makili sipat sing padha lan banjur tarik kothak ing sakubenge.
Ciri-ciri sing mbedakake iki bisa dadi prasaja kaya wangun utawa werna, sing mbantu kemampuan kita kanggo nggolongake.
Aplikasi saka Deteksi Obyek akeh digunakake ing ilmu kedokteran, nyopir otonom, pertahanan lan militer, administrasi umum, lan akeh lapangan liyane amarga perbaikan gedhe ing Visi Komputer lan Pemrosesan Gambar.
Ing kene kita duwe MMDetection, toolset deteksi obyek open-source sing apik banget sing dibangun ing Pytorch. Ing artikel iki, kita bakal nliti MMDetection kanthi rinci, tindakake kanthi langsung, ngrembug fitur-fitur kasebut, lan liya-liyane.
apa MMDeteksi?
The MMDeteksi toolbox digawe minangka basis kode Python khusus kanggo masalah sing nglibatake identifikasi obyek lan segmentasi conto.
Implementasi PyTorch digunakake, lan digawe kanthi cara modular. Kanggo pangenalan obyek lan segmentasi conto, macem-macem model efektif wis disusun dadi macem-macem metodologi.
Iku ngidini inferensi efektif lan latihan cepet. Ing sisih liya, kothak piranti kalebu bobot kanggo luwih saka 200 jaringan sing wis dilatih, nggawe cepet ing lapangan identifikasi obyek.
Kanthi kemampuan kanggo ngganti Techniques saiki utawa nggawe detektor anyar nggunakake modul kasedhiya, MMDetection fungsi minangka pathokan.
Fitur utama kothak piranti yaiku kalebu bagean modular sing langsung saka normal Deteksi obyek framework sing bisa digunakake kanggo nggawe pipelines unik utawa model unik.
Kapabilitas benchmarking toolkit iki nggawe gampang kanggo mbangun kerangka detektor anyar ing ndhuwur kerangka sing wis ana lan mbandhingake kinerja.
fitur
- Kerangka deteksi populer lan modern, kayata Faster RCNN, Mask RCNN, RetinaNet, lan sapiturute, langsung didhukung dening toolkit.
- Gunakake 360+ model sing wis dilatih kanggo nyetel (utawa latihan maneh).
- Kanggo kumpulan data visi sing kondhang kalebu COCO, Cityscapes, LVIS, lan PASCAL VOC.
- Ing GPU, kabeh operasi bbox lan topeng dhasar ditindakake. Basis kode liyane, kayata Detectron2, maskrcnn-benchmark, lan SimpleDet, bisa dilatih kanthi luwih cepet tinimbang utawa setara karo iki.
- Peneliti break mudhun Deteksi obyek framework menyang sawetara modul, kang banjur bisa digabungake kanggo nggawe sistem deteksi obyek unik.
Arsitektur MMDetection
MMDetection nemtokake desain umum sing bisa ditrapake kanggo model apa wae amarga iku kothak piranti kanthi macem-macem model sing wis dibangun, saben duwe arsitektur dhewe. Komponen ing ngisor iki nggawe arsitektur sakabèhé:
- penyangga: Backbone, kayata ResNet-50 tanpa lapisan pungkasan sing disambungake kanthi lengkap, minangka komponen sing ngowahi gambar dadi peta fitur.
- Neck: Gulu yaiku perangan kang nyambungake balung geger karo endhas. Ing peta fitur mentah balung mburi, nindakake pangaturan utawa konfigurasi ulang tartamtu. Feature Pyramid Network minangka salah sawijining ilustrasi (FPN).
- DenseHead (AnchorHead/AnchorFreeHead): Iku komponen sing ngoperasikake area peta fitur sing padhet, kayata AnchorHead lan AnchorFreeHead, kayata RPNHead, RetinaHead, lan FCOSHead.
- RoIextractor: Kanthi nggunakake operator RoIPooling-kaya, iku bagean sing narik fitur RoIwise saka siji utawa koleksi peta fitur. Sampel SingleRoIExtractor ngekstrak fitur RoI saka level piramida fitur sing cocog.
- RoIHead (BBoxHead / MaskHead): Bagean sistem sing nggunakake karakteristik RoI minangka input lan ngasilake prediksi khusus tugas adhedhasar RoI, kayata klasifikasi kothak wates / mundur lan prediksi topeng.
Konstruksi detektor siji-tataran lan rong tahap digambarake nggunakake konsep-konsep kasebut. Kita bisa ngembangake tata cara dhewe mung kanthi mbangun sawetara bagean anyar lan nggabungake sawetara sing wis ana.
Dhaptar model sing kalebu ing MMDetection
MMDetection nyedhiyakake basis kode paling dhuwur kanggo sawetara model sing kondhang lan modul berorientasi tugas. Model sing wis digawe sadurunge lan cara adaptasi sing bisa digunakake karo kothak piranti MMDetection kapacak ing ngisor iki. Dhaptar kasebut terus tuwuh amarga luwih akeh model lan metode ditambahake.
- Cepet R-CNN
- Luwih cepet R-CNN
- Topeng R-CNN
- RetinaNet
- DCN
- DCNv2
- Kaskade R-CNN
- M2Det
- GHM
- ScratchDet
- Kaping pindho R-CNN
- Grid R-CNN
- FSAF
- Libra R-CNN
- GCNet
- HRNet
- Skor Topeng R-CNN
- FCOS
- SSD
- R-FCN
- Latihan Presisi Campuran
- Standardisasi bobot
- Kaskade Tugas Hibrida
- Dipandu Anchoring
- Perhatian Umum
Mbangun model deteksi obyek nggunakake MMDetection
Ing tutorial iki, kita bakal dadi notebook collab Google amarga gampang disetel lan digunakake.
instalasi
Kanggo nginstal kabeh sing dibutuhake, kita bakal nginstal perpustakaan sing dibutuhake lan kloning proyek MMdetection GitHub.
Ngimpor env
Lingkungan kanggo proyek kita saiki bakal diimpor saka repositori.
Ngimpor perpustakaan lan MMdetection
Saiki kita bakal ngimpor perpustakaan sing dibutuhake, bebarengan karo MMdetection mesthi.
Download checkpoints sing wis dilatih
Checkpoints model sing wis dilatih saka MMdetection saiki kudu didownload kanggo pangaturan lan inferensi luwih lanjut.
Model bangunan
Saiki kita bakal mbangun model lan aplikasi checkpoints menyang dataset.
Inferensi detektor
Saiki model wis dibangun lan dimuat kanthi bener, ayo dipriksa carane apik banget. Kita nggunakake detektor inferensi API tingkat dhuwur MMDetection. API iki dirancang kanggo nggawe proses inferensi luwih gampang.
Result
Ayo padha ndeleng asil.
kesimpulan
Kesimpulane, kothak piranti MMDetection ngluwihi basis kode sing bubar dirilis kaya SimpleDet, Detectron, lan Maskrcnn-benchmark. Kanthi koleksi model gedhe,
MMDetection saiki dadi teknologi canggih. MMDetection ngluwihi kabeh basis kode liyane babagan efisiensi lan kinerja.
Salah sawijining perkara sing paling apik babagan MMdetection yaiku sampeyan saiki bisa nuding menyang file konfigurasi sing beda, ndownload checkpoint sing beda, lan mbukak kode sing padha yen sampeyan pengin ngganti model.
Aku menehi saran looking ing instruksi yen sampeyan nemoni masalah karo salah sawijining tahapan utawa pengin nindakake sawetara kanthi cara sing beda.
Ninggalake a Reply