अनुक्रमणिका[लपवा][दाखवा]
सखोल शिक्षणातील सर्वात सोपी परंतु सर्वात मनोरंजक कल्पनांपैकी एक म्हणजे ऑब्जेक्ट शोधणे. मूलभूत कल्पना अशी आहे की प्रत्येक आयटमची अनुक्रमिक वर्गांमध्ये विभागणी करा जी तुलनात्मक वैशिष्ट्यांचे प्रतिनिधित्व करतात आणि नंतर त्याभोवती एक बॉक्स काढा.
ही विशिष्ट वैशिष्ट्ये फॉर्म किंवा रंगाइतकीच सोपी असू शकतात, जी त्यांचे वर्गीकरण करण्याच्या आमच्या क्षमतेस मदत करतात.
चे अर्ज ऑब्जेक्ट डिटेक्शन वैद्यकीय विज्ञान, स्वायत्त ड्रायव्हिंग, संरक्षण आणि लष्करी, सार्वजनिक प्रशासन आणि इतर अनेक क्षेत्रांमध्ये संगणक व्हिजन आणि इमेज प्रोसेसिंगमध्ये भरीव सुधारणा केल्याबद्दल मोठ्या प्रमाणावर कार्यरत आहेत.
येथे आमच्याकडे MMDetection आहे, Pytorch वर तयार केलेला एक विलक्षण ओपन-सोर्स ऑब्जेक्ट डिटेक्शन टूलसेट. या लेखात, आम्ही MMDetection चे तपशीलवार परीक्षण करू, त्याच्याशी संपर्क साधू, त्याच्या वैशिष्ट्यांवर चर्चा करू आणि बरेच काही करू.
काय आहे MMD शोध?
अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना MMD शोध टूलबॉक्स विशेषत: ऑब्जेक्ट आयडेंटिफिकेशन आणि इन्स्टन्स सेगमेंटेशनच्या समस्यांसाठी पायथन कोडबेस म्हणून तयार केले गेले.
PyTorch अंमलबजावणी वापरली जाते, आणि ती मॉड्यूलर पद्धतीने तयार केली जाते. ऑब्जेक्ट ओळखण्यासाठी आणि उदाहरणाच्या विभाजनासाठी, प्रभावी मॉडेल्सची विस्तृत श्रेणी विविध पद्धतींमध्ये संकलित केली गेली आहे.
हे प्रभावी अनुमान आणि जलद प्रशिक्षणास परवानगी देते. दुसरीकडे, टूलबॉक्समध्ये 200 पेक्षा जास्त पूर्व-प्रशिक्षित नेटवर्कसाठी वजन समाविष्ट आहे, ज्यामुळे ते ऑब्जेक्ट ओळख फील्डमध्ये त्वरित निराकरण करते.
सध्याच्या तंत्रांशी जुळवून घेण्याच्या किंवा उपलब्ध मॉड्यूल्सचा वापर करून नवीन डिटेक्टर तयार करण्याच्या क्षमतेसह, MMDetection बेंचमार्क म्हणून कार्य करते.
टूलबॉक्सचे मुख्य वैशिष्ट्य म्हणजे सामान्य भागापासून सरळ, मॉड्यूलर भागांचा समावेश करणे ऑब्जेक्ट शोध फ्रेमवर्क जे अद्वितीय पाइपलाइन किंवा अद्वितीय मॉडेल तयार करण्यासाठी वापरले जाऊ शकते.
या टूलकिटची बेंचमार्किंग क्षमता विद्यमान फ्रेमवर्कच्या वर नवीन डिटेक्टर फ्रेमवर्क तयार करणे आणि त्याच्या कार्यक्षमतेची तुलना करणे सोपे करते.
वैशिष्ट्ये
- लोकप्रिय आणि आधुनिक शोध फ्रेमवर्क, जसे की फास्टर आरसीएनएन, मास्क आरसीएनएन, रेटिनानेट, इत्यादी, टूलकिटद्वारे थेट समर्थित आहेत.
- फाइन-ट्यूनिंगसाठी (किंवा नव्याने प्रशिक्षण) 360+ पूर्व-प्रशिक्षित मॉडेल्सचा वापर.
- COCO, Cityscapes, LVIS आणि PASCAL VOC सह सुप्रसिद्ध व्हिजन डेटासेटसाठी.
- GPU वर, सर्व मूलभूत bbox आणि मुखवटा ऑपरेशन्स अंमलात आणल्या जातात. इतर कोडबेस, जसे की Detectron2, maskrcnn-benchmark, आणि SimpleDet, याच्या तुलनेत किंवा त्याच्या बरोबरीने जलद दराने प्रशिक्षित केले जाऊ शकतात.
- संशोधक खाली खंडित ऑब्जेक्ट शोध अनेक मॉड्यूल्समध्ये फ्रेमवर्क, जे नंतर एक अद्वितीय ऑब्जेक्ट शोध प्रणाली तयार करण्यासाठी एकत्र केले जाऊ शकते.
एमएमडीटेक्शन आर्किटेक्चर
MMDetection हे जेनेरिक डिझाइन निर्दिष्ट करते जे कोणत्याही मॉडेलवर लागू केले जाऊ शकते कारण ते विविध पूर्व-निर्मित मॉडेल्ससह एक टूलबॉक्स आहे, ज्यापैकी प्रत्येकाचे स्वतःचे आर्किटेक्चर आहे. खालील घटक हे एकंदर आर्किटेक्चर बनवतात:
- बॅकबोन: बॅकबोन, जसे की अंतिम पूर्ण कनेक्टेड लेयरशिवाय ResNet-50, हा घटक आहे जो प्रतिमेला वैशिष्ट्य नकाशांमध्ये रूपांतरित करतो.
- मान: मान हा पाठीचा कणा डोक्याला जोडणारा विभाग आहे. पाठीच्या कच्च्या वैशिष्ट्याच्या नकाशांवर, ते विशिष्ट समायोजन किंवा पुनर्रचना करते. वैशिष्ट्य पिरॅमिड नेटवर्क हे एक उदाहरण (FPN) आहे.
- दाट डोके (अँकरहेड/अँकरफ्रीहेड): हा घटक आहे जो वैशिष्ट्य नकाशांच्या दाट भागांवर कार्य करतो, जसे की अँकरहेड आणि अँकरफ्रीहेड, जसे की RPNHead, RetinaHead आणि FCOSHead.
- RoIExtractor: RoIPooling-सदृश ऑपरेटरच्या वापरासह, हा विभाग आहे जो एकल किंवा वैशिष्ट्य नकाशांच्या संग्रहातून RoIwise वैशिष्ट्ये खेचतो. SingleRoIExtractor नमुना वैशिष्ट्य पिरॅमिड्सच्या जुळणार्या स्तरावरून RoI वैशिष्ट्ये काढतो.
- आरओआयहेड (BBoxHead/MaskHead): हा सिस्टमचा भाग आहे जो इनपुट म्हणून RoI वैशिष्ट्ये वापरतो आणि RoI-आधारित कार्य-विशिष्ट अंदाज तयार करतो, जसे की बाउंडिंग बॉक्स वर्गीकरण/रिग्रेशन आणि मास्क अंदाज.
सिंगल-स्टेज आणि टू-स्टेज डिटेक्टरचे बांधकाम वर नमूद केलेल्या संकल्पनांचा वापर करून स्पष्ट केले आहे. आम्ही फक्त काही नवीन भाग तयार करून आणि काही विद्यमान भाग एकत्र करून आमची स्वतःची कार्यपद्धती विकसित करू शकतो.
MMDetection मध्ये समाविष्ट केलेल्या मॉडेलची यादी
MMDetection अनेक सुप्रसिद्ध मॉडेल्स आणि टास्क-ओरिएंटेड मॉड्यूल्ससाठी उत्कृष्ट कोडबेस प्रदान करते. MMDetection टूलबॉक्ससह वापरल्या जाणार्या याआधी तयार केलेल्या आणि जुळवून घेण्यायोग्य पद्धती खाली सूचीबद्ध केल्या आहेत. अधिक मॉडेल आणि पद्धती जोडल्या गेल्याने यादी वाढतच जाते.
- वेगवान आर-सीएनएन
- वेगवान R-CNN
- मास्क आर-सीएनएन
- रेटिनानेट
- डीसीएन
- DCNv2
- कॅस्केड R-CNN
- M2Det
- जीएचएम
- ScratchDet
- डबल-हेड R-CNN
- ग्रिड आर-सीएनएन
- FSAF
- तुला R-CNN
- GCNet
- एचआरनेट
- मास्क स्कोअरिंग आर-सीएनएन
- FCOS
- SSD
- आर-एफसीएन
- मिश्र सुस्पष्टता प्रशिक्षण
- वजन मानकीकरण
- हायब्रिड टास्क कॅस्केड
- मार्गदर्शक अँकरिंग
- सामान्यीकृत लक्ष
MMDetection वापरून ऑब्जेक्ट डिटेक्शन मॉडेल तयार करणे
या ट्युटोरियलमध्ये, आम्ही Google collab notebook असू कारण ते सेट करणे आणि वापरणे सोपे आहे.
स्थापना
आम्हाला आवश्यक असलेली प्रत्येक गोष्ट स्थापित करण्यासाठी, आम्ही प्रथम आवश्यक लायब्ररी स्थापित करू आणि MMdetection GitHub प्रकल्प क्लोन करू.
इंपोर्ट करत आहे env
आमच्या प्रकल्पासाठीचे वातावरण आता भांडारातून आयात केले जाईल.
लायब्ररी आणि MMdetection आयात करत आहे
आम्ही आता अर्थातच MMdetection सोबत आवश्यक लायब्ररी आयात करू.
पूर्व-प्रशिक्षित चौक्या डाउनलोड करा
MMdetection मधील पूर्व-प्रशिक्षित मॉडेल चेकपॉईंट आता पुढील समायोजन आणि अनुमानासाठी डाउनलोड केले जावे.
बिल्डिंग मॉडेल
आम्ही आता मॉडेल तयार करू आणि डेटासेटवर चेकपॉइंट लागू करू.
डिटेक्टरचा अंदाज लावा
आता मॉडेल योग्यरित्या तयार केले गेले आहे आणि लोड केले गेले आहे, ते किती उत्कृष्ट आहे ते तपासूया. आम्ही MMDetection चा उच्च-स्तरीय API अनुमान शोधक वापरतो. हे API अनुमान प्रक्रिया सुलभ करण्यासाठी डिझाइन केले होते.
निकाल
चला परिणामांवर एक नजर टाकूया.
निष्कर्ष
शेवटी, MMDetection टूलबॉक्सने अलीकडेच रिलीझ केलेल्या SimpleDet, Detectron, आणि Maskrcnn-बेंचमार्क सारख्या कोडबेसला मागे टाकले आहे. मोठ्या मॉडेल संग्रहासह,
MMDetection हे आता अत्याधुनिक तंत्रज्ञान आहे. MMDetection कार्यक्षमता आणि कार्यक्षमतेच्या बाबतीत इतर सर्व कोडबेसला मागे टाकते.
MMdetection बद्दल सर्वात छान गोष्टींपैकी एक म्हणजे तुम्ही आता फक्त वेगळ्या कॉन्फिगरेशन फाइलकडे निर्देश करू शकता, भिन्न चेकपॉईंट डाउनलोड करू शकता आणि तुम्हाला मॉडेल्स बदलायचे असल्यास तोच कोड चालवू शकता.
मी त्यांच्याकडे पाहण्याचा सल्ला देतो सूचना तुम्हाला कोणत्याही टप्प्यात समस्या येत असल्यास किंवा त्यातील काही वेगळ्या पद्धतीने पार पाडण्याची तुमची इच्छा असल्यास.
प्रत्युत्तर द्या