Содржина[Крие][Прикажи]
Една од наједноставните, но најинтригантни идеи во длабокото учење е откривањето на објекти. Основната идеја е да се подели секоја ставка на последователни класи што претставуваат споредливи особини и потоа да се нацрта рамка околу неа.
Овие карактеристични карактеристики можат да бидат едноставни како формата или бојата, што ни помага во нашата способност да ги категоризираме.
Апликациите на Објект за откривање се широко користени во медицинските науки, автономното возење, одбраната и војската, јавната администрација и многу други области благодарение на значителните подобрувања во компјутерската визија и обработката на слики.
Овде имаме MMDetection, фантастичен сет алатки за откривање објекти со отворен код изграден на Pytorch. Во оваа статија, детално ќе го испитаме MMDetection, ќе одиме практично со него, ќе разговараме за неговите карактеристики и многу повеќе.
Што е MMDection?
на MMDection кутијата со алатки е создадена како база на кодови на Python специјално за проблеми кои вклучуваат идентификација на објект и сегментација на примери.
Се користи имплементацијата на PyTorch и таа е креирана на модуларен начин. За препознавање на објекти и сегментација на примери, широк опсег на ефективни модели е составен во различни методологии.
Тоа овозможува ефективно заклучување и брза обука. Од друга страна, алатникот вклучува тегови за над 200 претходно обучени мрежи, што го прави брзо решение во полето за идентификација на објектот.
Со можност за прилагодување на тековните техники или создавање нов детектор со помош на достапните модули, MMDetection функционира како репер.
Клучната карактеристика на кутијата со алатки е вклучувањето на едноставни, модуларни делови од нормални откривање на објекти рамка која може да се користи за создавање уникатни цевководи или уникатни модели.
Способностите за бенчмаркинг на овој комплет алатки го олеснуваат создавањето на нова рамка за детектор врз постоечка рамка и споредување на нејзините перформанси.
Карактеристики
- Популарните и модерни рамки за откривање, како што се Faster RCNN, Mask RCNN, RetinaNet итн., се директно поддржани од алатката.
- Употреба на 360+ претходно обучени модели за дотерување (или одново тренирање).
- За добро познати збирки на податоци за визии, вклучувајќи COCO, Cityscapes, LVIS и PASCAL VOC.
- На графичките процесори, сите основни операции на bbox и маска се извршуваат. Други бази на кодови, како што се Detectron2, maskrcnn-benchmark и SimpleDet, може да се обучуваат со побрзо или на исто ниво со оваа.
- Истражувачите ги разградуваат откривање на објекти рамка во неколку модули, кои потоа може да се комбинираат за да се создаде уникатен систем за откривање објекти.
MMDetection Архитектура
MMDetection специфицира генерички дизајн што може да се примени на кој било модел, бидејќи тоа е кутија со алатки со различни претходно изградени модели, од кои секој има своја архитектура. Следниве компоненти ја сочинуваат оваа целокупна архитектура:
- 'Рбетот: 'Рбетот, како што е ResNet-50 без конечниот целосно поврзан слој, е компонентата што ја конвертира сликата во карти со карактеристики.
- вратот: Вратот е сегментот што го поврзува 'рбетот со главите. На мапите на необработени карактеристики на 'рбетот, тој прави одредени прилагодувања или реконфигурации. Функцијата Pyramid Network е една илустрација (FPN).
- Густа глава (AnchorHead/AnchorFreeHead): Тоа е компонентата која работи на густи области на карти со карактеристики, како што се AnchorHead и AnchorFreeHead, како што се RPNHead, RetinaHead и FCOSHead.
- RoIEекстрактор: Со употреба на оператори слични на RoIPooling, тоа е делот што ги повлекува карактеристиките на RoIwise од една или збирка мапи на карактеристики. Примерокот SingleRoIExtractor ги извлекува карактеристиките на RoI од соодветното ниво на пирамидите на карактеристики.
- RoIHead (BBoxHead/MaskHead): Тоа е дел од системот што ги користи карактеристиките на RoI како влез и генерира предвидувања специфични за задачите базирани на RoI, како што се класификација/регресија на гранични полиња и предвидување маски.
Изградбата на едностепени и двостепени детектори е илустрирана со користење на гореспоменатите концепти. Можеме да развиеме сопствени процедури едноставно со конструирање на неколку свежи делови и комбинирање на некои постоечки.
Список на модели вклучени во MMDetection
MMDetection обезбедува врвни бази на кодови за неколку добро познати модели и модули ориентирани кон задачи. Моделите што биле претходно направени и методите што може да се прилагодат што може да се користат со алатникот MMDetection се наведени подолу. Списокот продолжува да расте како што се додаваат повеќе модели и методи.
- Брз R-CNN
- Побрз R-CNN
- Маска R-CNN
- RetinaNet
- DCN
- DCNv2
- Каскада R-CNN
- M2Det
- ГХМ
- ScratchDet
- Двојна глава R-CNN
- Мрежа R-CNN
- ФСАФ
- Вага R-CNN
- GCNet
- HRNet
- Оценување на маски R-CNN
- FCOS
- SSD
- R-FCN
- Мешана прецизна обука
- Стандардизација на тежината
- Каскада за хибридни задачи
- Водени закотвување
- Генерализирано внимание
Изградба на модел за откривање објекти користејќи MMDetection
Во ова упатство, ние ќе бидеме тетратка за соработка на Google бидејќи е лесна за поставување и употреба.
инсталација
За да инсталираме сè што ни треба, прво ќе ги инсталираме потребните библиотеки и ќе го клонираме проектот MMdetection GitHub.
Увозот заоб
Околината за нашиот проект сега ќе биде увезена од складиштето.
Увоз на библиотеки и MM Detection
Сега ќе ги увеземе потребните библиотеки, заедно со MM Detection се разбира.
Преземете ги претходно обучените контролни пунктови
Сега треба да се преземат претходно обучените контролни точки за модели од MMdetection за понатамошно прилагодување и заклучување.
Модел на градење
Сега ќе го конструираме моделот и ќе ги примениме контролните точки на базата на податоци.
Заклучете го детекторот
Сега кога моделот е правилно конструиран и натоварен, ајде да провериме колку е одличен. Го користиме детекторот за заклучоци на API на високо ниво на MMDetection. Овој API беше дизајниран да го олесни процесот на заклучување.
Резултат
Ајде да ги погледнеме резултатите.
Заклучок
Како заклучок, алатникот MMDetection ги надминува неодамна објавените бази на кодови како SimpleDet, Detectron и Maskrcnn-benchmark. Со голема колекција модели,
MMDetection сега е најсовремена технологија. MMDetection ги надминува сите други бази на кодови во однос на ефикасноста и перформансите.
Една од најубавите работи во врска со MMdetection е тоа што сега можете само да укажете на различна конфигурациска датотека, да преземете друга контролна точка и да ја стартувате истата шифра ако сакате да ги промените моделите.
Ве советувам да ги погледнете нивните инструкции ако наидете на проблеми со која било од фазите или сакате да извршите некои од нив поинаку.
Оставете Одговор