Saturs[Paslēpt][Rādīt]
Viena no vienkāršākajām, taču intriģējošākajām idejām dziļajā mācībā ir objektu noteikšana. Pamatideja ir sadalīt katru priekšmetu secīgās klasēs, kas atspoguļo salīdzināmas iezīmes, un pēc tam ap to uzzīmēt lodziņu.
Šīs atšķirīgās īpašības var būt tikpat vienkāršas kā forma vai krāsa, kas palīdz mums tās klasificēt.
Pieteikumi par Objektu noteikšana tiek plaši izmantotas medicīnas zinātnēs, autonomajā braukšanā, aizsardzībā un militārajā jomā, valsts pārvaldē un daudzās citās jomās, pateicoties būtiskiem uzlabojumiem datorredzēšanā un attēlu apstrādē.
Šeit mums ir MMDetection — fantastisks atvērtā pirmkoda objektu noteikšanas rīku komplekts, kas izveidots uz Pytorch. Šajā rakstā mēs detalizēti izpētīsim MMDtection, iedziļināsimies ar to, apspriedīsim tās funkcijas un daudz ko citu.
Kas ir MMD noteikšana?
Jūsu darbs IR Klientu apkalpošana MMD noteikšana rīklodziņš tika izveidots kā Python kodu bāze īpaši problēmām, kas saistītas ar objektu identifikāciju un gadījumu segmentēšanu.
Tiek izmantota PyTorch ieviešana, un tā ir izveidota modulārā veidā. Objektu atpazīšanai un gadījumu segmentēšanai ir apkopots plašs efektīvu modeļu klāsts dažādās metodoloģijās.
Tas nodrošina efektīvus secinājumus un ātru apmācību. No otras puses, rīku komplektā ir iekļauti svari vairāk nekā 200 iepriekš apmācītiem tīkliem, padarot to par ātru labojumu objektu identifikācijas laukā.
Ar iespēju pielāgot pašreizējās metodes vai izveidot jaunu detektoru, izmantojot pieejamos moduļus, MMDetection darbojas kā etalons.
Rīkkopas galvenā iezīme ir vienkāršu, modulāru daļu iekļaušana no parastajām daļām objektu noteikšana sistēmu, ko var izmantot, lai izveidotu unikālus cauruļvadus vai unikālus modeļus.
Šīs rīku komplekta salīdzinošās novērtēšanas iespējas ļauj vienkārši izveidot jaunu detektoru ietvaru papildus esošajam ietvaram un salīdzināt tā veiktspēju.
Apkalpošana
- Rīku komplekts tieši atbalsta populāras un modernas noteikšanas sistēmas, piemēram, Faster RCNN, Mask RCNN, RetinaNet utt.
- 360+ iepriekš apmācītu modeļu izmantošana precizēšanai (vai apmācībai no jauna).
- Labi zināmām redzes datu kopām, tostarp COCO, Cityscapes, LVIS un PASCAL VOC.
- GPU tiek izpildītas visas galvenās bbox un maskas darbības. Citas kodu bāzes, piemēram, Detectron2, maskrcnn-benchmark un SimpleDet, var apmācīt ātrāk nekā šī.
- Pētnieki sadala objektu noteikšana sistēmu vairākos moduļos, kurus pēc tam var apvienot, lai izveidotu unikālu objektu noteikšanas sistēmu.
MMDekcijas arhitektūra
MMDetection nosaka vispārīgu dizainu, ko var izmantot jebkuram modelim, jo tas ir rīku komplekts ar dažādiem iepriekš izveidotiem modeļiem, no kuriem katram ir sava arhitektūra. Šo vispārējo arhitektūru veido šādi komponenti:
- Mugurkauls: mugurkauls, piemēram, ResNet-50 bez galīgā pilnībā savienotā slāņa, ir komponents, kas pārvērš attēlu objektu kartēs.
- kakls: kakls ir segments, kas savieno mugurkaulu ar galvām. Pamata neapstrādātajās funkciju kartēs tas veic noteiktas korekcijas vai pārkonfigurācijas. Iezīme Pyramid Network ir viena ilustrācija (FPN).
- DenseHead (AnchorHead/AnchorFreeHead): tas ir komponents, kas darbojas blīvos objektu karšu apgabalos, piemēram, AnchorHead un AnchorFreeHead, piemēram, RPNHead, RetinaHead un FCOSHead.
- RoIExtractor: Izmantojot RoIPooling līdzīgus operatorus, tā ir sadaļa, kas izvelk RoIwise līdzekļus no vienas vai objektu karšu kolekcijas. SingleRoIExtractor paraugs iegūst RoI funkcijas no atbilstošā līmeņa piramīdas.
- RoIHead (BBoxHead/MaskHead): tā ir sistēmas daļa, kas izmanto ieguldījumu atdeves raksturlielumus kā ievadi un ģenerē uz RO balstītas uzdevumam specifiskas prognozes, piemēram, robežlodziņa klasifikāciju/regresiju un maskas prognozi.
Vienpakāpes un divpakāpju detektoru uzbūve ir ilustrēta, izmantojot iepriekšminētos jēdzienus. Mēs varam izstrādāt savas procedūras, vienkārši izveidojot dažas jaunas daļas un apvienojot dažas esošās.
MMDtection iekļauto modeļu saraksts
MMDetection nodrošina augstākās klases kodu bāzes vairākiem labi zināmiem modeļiem un uz uzdevumiem orientētiem moduļiem. Iepriekš izveidotie modeļi un pielāgojamās metodes, kuras var izmantot ar MMDetection rīku komplektu, ir uzskaitītas zemāk. Saraksts turpina augt, jo tiek pievienoti arvien vairāk modeļu un metožu.
- Ātrs R-CNN
- Ātrāks R-CNN
- Maska R-CNN
- RetinaNet
- DCN
- DCNv2
- Kaskāde R-CNN
- M2Det
- GHM
- ScratchDet
- Divgalvu R-CNN
- Režģis R-CNN
- FSAF
- Svari R-CNN
- GCNet
- HRNet
- Masku vērtēšana R-CNN
- FCOS
- SSD
- R-FCN
- Jauktā precizitātes apmācība
- Svara standartizācija
- Hibrīda uzdevumu kaskāde
- Vadīta enkurošana
- Vispārēja uzmanība
Objekta noteikšanas modeļa izveide, izmantojot MMDetection
Šajā apmācībā mēs būsim Google sadarbības piezīmju grāmatiņa, jo to ir viegli iestatīt un lietot.
uzstādīšana
Lai instalētu visu nepieciešamo, mēs vispirms instalēsim nepieciešamās bibliotēkas un klonēsim MMdetection GitHub projektu.
Importē env
Mūsu projekta vide tagad tiks importēta no repozitorija.
Bibliotēku importēšana un MMdetection
Tagad mēs importēsim vajadzīgās bibliotēkas, protams, kopā ar MMdetection.
Lejupielādējiet iepriekš apmācītus kontrolpunktus
Iepriekš apmācītie modeļa kontrolpunkti no MMdetection tagad ir jālejupielādē turpmākai pielāgošanai un secinājumiem.
Ēkas modelis
Tagad mēs izveidosim modeli un izmantosim kontrolpunktus datu kopai.
Seciniet detektoru
Tagad, kad modelis ir pareizi uzbūvēts un ielādēts, pārbaudīsim, cik tas ir izcils. Mēs izmantojam MMDetection augsta līmeņa API secinājumu detektoru. Šī API tika izstrādāta, lai atvieglotu secinājumu izdarīšanas procesu.
Rezultāts
Apskatīsim rezultātus.
Secinājumi
Visbeidzot, MMDetection rīklodziņš pārspēj nesen izlaistas kodu bāzes, piemēram, SimpleDet, Detectron un Maskrcnn-benchmark. Ar lielu modeļu kolekciju,
MMDtection tagad ir vismodernākā tehnoloģija. MMDetection efektivitātes un veiktspējas ziņā pārspēj visas citas kodu bāzes.
Viena no jaukākajām lietām MMdetection ir tā, ka tagad varat vienkārši norādīt uz citu konfigurācijas failu, lejupielādēt citu kontrolpunktu un palaist to pašu kodu, ja vēlaties mainīt modeļus.
Iesaku aplūkot viņus norādījumi ja rodas problēmas ar kādu no posmiem vai vēlaties veikt dažus no tiem citādi.
Atstāj atbildi