ਡੂੰਘੀ ਸਿਖਲਾਈ ਵਿੱਚ ਸਭ ਤੋਂ ਸਰਲ ਪਰ ਸਭ ਤੋਂ ਦਿਲਚਸਪ ਵਿਚਾਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਸਤੂ ਖੋਜ ਹੈ। ਬੁਨਿਆਦੀ ਵਿਚਾਰ ਹਰੇਕ ਆਈਟਮ ਨੂੰ ਲਗਾਤਾਰ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡਣਾ ਹੈ ਜੋ ਤੁਲਨਾਤਮਕ ਗੁਣਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਅਤੇ ਫਿਰ ਇਸਦੇ ਆਲੇ ਦੁਆਲੇ ਇੱਕ ਬਾਕਸ ਖਿੱਚਦੇ ਹਨ।
ਇਹ ਵੱਖ-ਵੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਰੂਪ ਜਾਂ ਰੰਗ ਵਾਂਗ ਸਧਾਰਨ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਜੋ ਉਹਨਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਸਾਡੀ ਯੋਗਤਾ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੀਆਂ ਹਨ।
ਦੀਆਂ ਅਰਜ਼ੀਆਂ ਆਬਜੈਕਟ ਖੋਜ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਤੇ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰਾਂ ਦੇ ਕਾਰਨ ਮੈਡੀਕਲ ਵਿਗਿਆਨ, ਖੁਦਮੁਖਤਿਆਰੀ ਡ੍ਰਾਈਵਿੰਗ, ਰੱਖਿਆ ਅਤੇ ਫੌਜੀ, ਜਨਤਕ ਪ੍ਰਸ਼ਾਸਨ ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਕੰਮ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਇੱਥੇ ਸਾਡੇ ਕੋਲ MMDetection ਹੈ, ਇੱਕ ਸ਼ਾਨਦਾਰ ਓਪਨ-ਸੋਰਸ ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ ਟੂਲਸੈੱਟ ਪਾਈਟੋਰਚ 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ MMDetection ਦੀ ਵਿਸਤਾਰ ਵਿੱਚ ਜਾਂਚ ਕਰਾਂਗੇ, ਇਸ ਨਾਲ ਹੱਥ-ਪੈਰ ਮਾਰਾਂਗੇ, ਇਸ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ।
ਕੀ ਹੈ MMD ਖੋਜ?
The MMD ਖੋਜ ਟੂਲਬਾਕਸ ਨੂੰ ਪਾਇਥਨ ਕੋਡਬੇਸ ਦੇ ਤੌਰ 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਸੀ ਖਾਸ ਤੌਰ 'ਤੇ ਆਬਜੈਕਟ ਪਛਾਣ ਅਤੇ ਇੰਸਟੈਂਸ ਸੈਗਮੈਂਟੇਸ਼ਨ ਨਾਲ ਜੁੜੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ।
ਪਾਈਟੋਰਚ ਸਥਾਪਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਇਹ ਇੱਕ ਮਾਡਯੂਲਰ ਫੈਸ਼ਨ ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਵਸਤੂ ਦੀ ਪਛਾਣ ਅਤੇ ਉਦਾਹਰਣ ਦੇ ਵਿਭਾਜਨ ਲਈ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਵਿਧੀਆਂ ਵਿੱਚ ਕੰਪਾਇਲ ਕੀਤਾ ਗਿਆ ਹੈ।
ਇਹ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਨੁਮਾਨ ਅਤੇ ਤੇਜ਼ ਸਿਖਲਾਈ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਦੂਜੇ ਪਾਸੇ, ਟੂਲਬਾਕਸ ਵਿੱਚ 200 ਤੋਂ ਵੱਧ ਪੂਰਵ-ਸਿਖਿਅਤ ਨੈੱਟਵਰਕਾਂ ਲਈ ਵਜ਼ਨ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਆਬਜੈਕਟ ਪਛਾਣ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਤੇਜ਼ ਹੱਲ ਹੁੰਦਾ ਹੈ।
ਮੌਜੂਦਾ ਤਕਨੀਕਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਜਾਂ ਉਪਲਬਧ ਮੋਡੀਊਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਨਵਾਂ ਡਿਟੈਕਟਰ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾ ਦੇ ਨਾਲ, MMDetection ਫੰਕਸ਼ਨ ਇੱਕ ਬੈਂਚਮਾਰਕ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।
ਟੂਲਬਾਕਸ ਦੀ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾ ਇਸ ਵਿੱਚ ਸਧਾਰਨ ਤੋਂ ਸਿੱਧੇ, ਮਾਡਯੂਲਰ ਭਾਗਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ ਵਸਤੂ ਖੋਜ ਫਰੇਮਵਰਕ ਜੋ ਵਿਲੱਖਣ ਪਾਈਪਲਾਈਨਾਂ ਜਾਂ ਵਿਲੱਖਣ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਇਸ ਟੂਲਕਿੱਟ ਦੀਆਂ ਬੈਂਚਮਾਰਕਿੰਗ ਸਮਰੱਥਾਵਾਂ ਮੌਜੂਦਾ ਫਰੇਮਵਰਕ ਦੇ ਸਿਖਰ 'ਤੇ ਇੱਕ ਨਵਾਂ ਡਿਟੈਕਟਰ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ ਅਤੇ ਇਸਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦੀਆਂ ਹਨ।
ਫੀਚਰ
- ਪ੍ਰਸਿੱਧ ਅਤੇ ਆਧੁਨਿਕ ਖੋਜ ਫਰੇਮਵਰਕ, ਜਿਵੇਂ ਕਿ ਤੇਜ਼ RCNN, ਮਾਸਕ RCNN, RetinaNet, ਆਦਿ, ਟੂਲਕਿੱਟ ਦੁਆਰਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸਮਰਥਿਤ ਹਨ।
- ਫਾਈਨ-ਟਿਊਨਿੰਗ (ਜਾਂ ਨਵੇਂ ਸਿਰੇ ਤੋਂ ਸਿਖਲਾਈ) ਲਈ 360+ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ।
- COCO, Cityscapes, LVIS, ਅਤੇ PASCAL VOC ਸਮੇਤ ਮਸ਼ਹੂਰ ਵਿਜ਼ਨ ਡੇਟਾਸੇਟਸ ਲਈ।
- GPUs 'ਤੇ, ਸਾਰੇ ਬੁਨਿਆਦੀ bbox ਅਤੇ ਮਾਸਕ ਓਪਰੇਸ਼ਨ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਹੋਰ ਕੋਡਬੇਸ, ਜਿਵੇਂ ਕਿ Detectron2, maskrcnn-benchmark, ਅਤੇ SimpleDet, ਨੂੰ ਇਸ ਦੇ ਬਰਾਬਰ ਜਾਂ ਇਸਦੇ ਬਰਾਬਰ ਦੀ ਦਰ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ।
- ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਤੋੜ ਦਿੱਤਾ ਵਸਤੂ ਖੋਜ ਫਰੇਮਵਰਕ ਨੂੰ ਕਈ ਮੋਡੀਊਲਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਸਨੂੰ ਫਿਰ ਇੱਕ ਵਿਲੱਖਣ ਵਸਤੂ ਖੋਜ ਪ੍ਰਣਾਲੀ ਬਣਾਉਣ ਲਈ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ।
MMDetection ਆਰਕੀਟੈਕਚਰ
MMDetection ਇੱਕ ਆਮ ਡਿਜ਼ਾਈਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਕਿਸੇ ਵੀ ਮਾਡਲ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਟੂਲਬਾਕਸ ਹੈ ਜਿਸ ਵਿੱਚ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਪ੍ਰੀ-ਬਿਲਟ ਮਾਡਲ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਦਾ ਆਪਣਾ ਆਰਕੀਟੈਕਚਰ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਭਾਗ ਇਸ ਸਮੁੱਚੇ ਢਾਂਚੇ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ:
- ਹੱਡੀ: ਬੈਕਬੋਨ, ਜਿਵੇਂ ਕਿ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਜੁੜੀ ਪਰਤ ਤੋਂ ਬਿਨਾਂ ResNet-50, ਉਹ ਭਾਗ ਹੈ ਜੋ ਚਿੱਤਰ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਨਕਸ਼ਿਆਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।
- ਗਰਦਨ: ਗਰਦਨ ਉਹ ਖੰਡ ਹੈ ਜੋ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਨੂੰ ਸਿਰਾਂ ਨਾਲ ਜੋੜਦਾ ਹੈ। ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਦੇ ਕੱਚੇ ਵਿਸ਼ੇਸ਼ਤਾ ਨਕਸ਼ਿਆਂ 'ਤੇ, ਇਹ ਕੁਝ ਵਿਵਸਥਾਵਾਂ ਜਾਂ ਪੁਨਰ-ਸੰਰਚਨਾ ਕਰਦਾ ਹੈ। ਵਿਸ਼ੇਸ਼ਤਾ ਪਿਰਾਮਿਡ ਨੈੱਟਵਰਕ ਇੱਕ ਦ੍ਰਿਸ਼ਟਾਂਤ (FPN) ਹੈ।
- ਸੰਘਣਾ ਸਿਰ (ਐਂਕਰਹੈਡ/ਐਂਕਰਫ੍ਰੀਹੈਡ): ਇਹ ਉਹ ਕੰਪੋਨੈਂਟ ਹੈ ਜੋ ਫੀਚਰ ਮੈਪਸ ਦੇ ਸੰਘਣੇ ਖੇਤਰਾਂ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਐਂਕਰਹੈੱਡ ਅਤੇ ਐਂਕਰਫ੍ਰੀਹੈਡ, ਜਿਵੇਂ ਕਿ RPNHead, RetinaHead, ਅਤੇ FCOSHead।
- RoIExtractor: RoIPooling-ਵਰਗੇ ਓਪਰੇਟਰਾਂ ਦੀ ਵਰਤੋਂ ਨਾਲ, ਇਹ ਉਹ ਭਾਗ ਹੈ ਜੋ RoIwise ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਿੰਗਲ ਜਾਂ ਵਿਸ਼ੇਸ਼ਤਾ ਨਕਸ਼ਿਆਂ ਦੇ ਸੰਗ੍ਰਹਿ ਤੋਂ ਖਿੱਚਦਾ ਹੈ। SingleRoIExtractor ਨਮੂਨਾ ਵਿਸ਼ੇਸ਼ਤਾ ਪਿਰਾਮਿਡਾਂ ਦੇ ਮੇਲ ਖਾਂਦੇ ਪੱਧਰ ਤੋਂ RoI ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੱਢਦਾ ਹੈ।
- RoIHad (BBoxHead/MaskHead): ਇਹ ਸਿਸਟਮ ਦਾ ਉਹ ਹਿੱਸਾ ਹੈ ਜੋ RoI ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਇੱਕ ਇਨਪੁਟ ਵਜੋਂ ਵਰਤਦਾ ਹੈ ਅਤੇ RoI-ਅਧਾਰਿਤ ਕਾਰਜ-ਵਿਸ਼ੇਸ਼ ਪੂਰਵ-ਅਨੁਮਾਨ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਬਾਉਂਡਿੰਗ ਬਾਕਸ ਵਰਗੀਕਰਨ/ਰਿਗਰੈਸ਼ਨ ਅਤੇ ਮਾਸਕ ਪੂਰਵ-ਅਨੁਮਾਨ।
ਸਿੰਗਲ-ਸਟੇਜ ਅਤੇ ਦੋ-ਪੜਾਅ ਡਿਟੈਕਟਰਾਂ ਦੀ ਉਸਾਰੀ ਨੂੰ ਉਪਰੋਕਤ ਸੰਕਲਪਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਅਸੀਂ ਕੁਝ ਤਾਜ਼ੇ ਭਾਗਾਂ ਨੂੰ ਬਣਾ ਕੇ ਅਤੇ ਕੁਝ ਮੌਜੂਦਾ ਭਾਗਾਂ ਨੂੰ ਜੋੜ ਕੇ ਆਪਣੀਆਂ ਖੁਦ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿਕਸਿਤ ਕਰ ਸਕਦੇ ਹਾਂ।
MMDetection ਵਿੱਚ ਸ਼ਾਮਲ ਮਾਡਲਾਂ ਦੀ ਸੂਚੀ
MMDetection ਕਈ ਜਾਣੇ-ਪਛਾਣੇ ਮਾਡਲਾਂ ਅਤੇ ਟਾਸਕ-ਓਰੀਐਂਟਿਡ ਮੋਡੀਊਲਾਂ ਲਈ ਉੱਚ ਪੱਧਰੀ ਕੋਡਬੇਸ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਉਹ ਮਾਡਲ ਜੋ ਪਹਿਲਾਂ ਬਣਾਏ ਗਏ ਹਨ ਅਤੇ ਅਨੁਕੂਲ ਢੰਗ ਜੋ MMDetection ਟੂਲਬਾਕਸ ਨਾਲ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ ਹੇਠਾਂ ਦਿੱਤੇ ਗਏ ਹਨ। ਸੂਚੀ ਵਧਦੀ ਰਹਿੰਦੀ ਹੈ ਕਿਉਂਕਿ ਹੋਰ ਮਾਡਲ ਅਤੇ ਢੰਗ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
- ਤੇਜ਼ ਆਰ-ਸੀਐਨਐਨ
- ਤੇਜ਼ ਆਰ-ਸੀਐਨਐਨ
- ਮਾਸਕ R-CNN
- ਰੈਟੀਨਾਨੈੱਟ
- DCN
- DCNv2
- ਕੈਸਕੇਡ ਆਰ-ਸੀਐਨਐਨ
- M2Det
- ਜੀ.ਐੱਚ.ਐੱਮ
- ScratchDet
- ਡਬਲ-ਹੈੱਡ ਆਰ-ਸੀਐਨਐਨ
- ਗਰਿੱਡ R-CNN
- FSAF
- ਲਿਬਰਾ R-CNN
- GCNet
- HRNet
- ਮਾਸਕ ਸਕੋਰਿੰਗ R-CNN
- FCOS
- SSD
- ਆਰ-ਐਫਸੀਐਨ
- ਮਿਸ਼ਰਤ ਸ਼ੁੱਧਤਾ ਸਿਖਲਾਈ
- ਵਜ਼ਨ ਮਾਨਕੀਕਰਨ
- ਹਾਈਬ੍ਰਿਡ ਟਾਸਕ ਕੈਸਕੇਡ
- ਗਾਈਡ ਐਂਕਰਿੰਗ
- ਆਮ ਧਿਆਨ
MMDetection ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਬਜੈਕਟ ਖੋਜ ਮਾਡਲ ਬਣਾਉਣਾ
ਇਸ ਟਿਊਟੋਰਿਅਲ ਵਿੱਚ, ਅਸੀਂ Google ਸਹਿਯੋਗੀ ਨੋਟਬੁੱਕ ਹੋਵਾਂਗੇ ਕਿਉਂਕਿ ਇਹ ਸੈੱਟ ਕਰਨਾ ਅਤੇ ਵਰਤਣਾ ਆਸਾਨ ਹੈ।
ਇੰਸਟਾਲੇਸ਼ਨ
ਸਾਨੂੰ ਲੋੜੀਂਦੀ ਹਰ ਚੀਜ਼ ਨੂੰ ਸਥਾਪਿਤ ਕਰਨ ਲਈ, ਅਸੀਂ ਪਹਿਲਾਂ ਲੋੜੀਂਦੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਸਥਾਪਿਤ ਕਰਾਂਗੇ ਅਤੇ MMdetection GitHub ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਕਲੋਨ ਕਰਾਂਗੇ।
ਇੰਪੋਰਟ ਕਰਨਾ env
ਸਾਡੇ ਪ੍ਰੋਜੈਕਟ ਲਈ ਵਾਤਾਵਰਣ ਹੁਣ ਰਿਪੋਜ਼ਟਰੀ ਤੋਂ ਆਯਾਤ ਕੀਤਾ ਜਾਵੇਗਾ।
ਲਾਇਬ੍ਰੇਰੀਆਂ ਅਤੇ MM ਖੋਜ ਨੂੰ ਆਯਾਤ ਕਰਨਾ
ਅਸੀਂ ਹੁਣ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ MM ਖੋਜ ਦੇ ਨਾਲ, ਲੋੜੀਂਦੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਆਯਾਤ ਕਰਾਂਗੇ।
ਪੂਰਵ-ਸਿਖਿਅਤ ਚੌਕੀਆਂ ਨੂੰ ਡਾਊਨਲੋਡ ਕਰੋ
MMdetection ਤੋਂ ਪੂਰਵ-ਸਿਖਿਅਤ ਮਾਡਲ ਚੈੱਕਪੁਆਇੰਟਾਂ ਨੂੰ ਹੁਣ ਹੋਰ ਸਮਾਯੋਜਨ ਅਤੇ ਅਨੁਮਾਨ ਲਈ ਡਾਊਨਲੋਡ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਬਿਲਡਿੰਗ ਮਾਡਲ
ਅਸੀਂ ਹੁਣ ਮਾਡਲ ਬਣਾਵਾਂਗੇ ਅਤੇ ਡੈਟਾਸੈੱਟ 'ਤੇ ਚੈਕਪੁਆਇੰਟ ਲਾਗੂ ਕਰਾਂਗੇ।
ਡਿਟੈਕਟਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾਓ
ਹੁਣ ਜਦੋਂ ਮਾਡਲ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਲੋਡ ਕੀਤਾ ਗਿਆ ਹੈ, ਆਓ ਦੇਖੀਏ ਕਿ ਇਹ ਕਿੰਨਾ ਸ਼ਾਨਦਾਰ ਹੈ. ਅਸੀਂ MMDetection ਦੇ ਉੱਚ-ਪੱਧਰੀ API ਇਨਫਰੈਂਸ ਡਿਟੈਕਟਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਇਹ API ਅਨੁਮਾਨ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਆਸਾਨ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ।
ਪਰਿਣਾਮ
ਆਓ ਨਤੀਜਿਆਂ 'ਤੇ ਇੱਕ ਨਜ਼ਰ ਮਾਰੀਏ।
ਸਿੱਟਾ
ਸਿੱਟੇ ਵਜੋਂ, MMDetection ਟੂਲਬਾਕਸ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਜਾਰੀ ਕੀਤੇ ਕੋਡਬੇਸ ਜਿਵੇਂ ਕਿ SimpleDet, Detectron, ਅਤੇ Maskrcnn-ਬੈਂਚਮਾਰਕ ਨੂੰ ਪਛਾੜਿਆ ਹੈ। ਇੱਕ ਵੱਡੇ ਮਾਡਲ ਸੰਗ੍ਰਹਿ ਦੇ ਨਾਲ,
MMDetection ਹੁਣ ਅਤਿ-ਆਧੁਨਿਕ ਤਕਨਾਲੋਜੀ ਹੈ। MMDetection ਕੁਸ਼ਲਤਾ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਹੋਰ ਸਾਰੇ ਕੋਡਬੇਸ ਨੂੰ ਪਛਾੜਦਾ ਹੈ।
MMdetection ਬਾਰੇ ਸਭ ਤੋਂ ਵਧੀਆ ਚੀਜ਼ਾਂ ਵਿੱਚੋਂ ਇੱਕ ਇਹ ਹੈ ਕਿ ਤੁਸੀਂ ਹੁਣ ਸਿਰਫ਼ ਇੱਕ ਵੱਖਰੀ ਕੌਂਫਿਗਰੇਸ਼ਨ ਫਾਈਲ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਸਕਦੇ ਹੋ, ਇੱਕ ਵੱਖਰਾ ਚੈਕਪੁਆਇੰਟ ਡਾਊਨਲੋਡ ਕਰ ਸਕਦੇ ਹੋ, ਅਤੇ ਜੇਕਰ ਤੁਸੀਂ ਮਾਡਲਾਂ ਨੂੰ ਬਦਲਣਾ ਚਾਹੁੰਦੇ ਹੋ ਤਾਂ ਉਹੀ ਕੋਡ ਚਲਾ ਸਕਦੇ ਹੋ।
ਮੈਂ ਉਨ੍ਹਾਂ ਨੂੰ ਵੇਖਣ ਦੀ ਸਲਾਹ ਦਿੰਦਾ ਹਾਂ ਨਿਰਦੇਸ਼ ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਪੜਾਵਾਂ ਵਿੱਚ ਸਮੱਸਿਆਵਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹੋ ਜਾਂ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਨੂੰ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਪੂਰਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ।
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ