Преглед садржаја[Сакрити][Прикажи]
Једна од најједноставнијих, али најинтригантнијих идеја у дубоком учењу је откривање објеката. Основна идеја је да се свака ставка подели у узастопне класе које представљају упоредиве особине, а затим да се нацрта оквир око њега.
Ове разликовне карактеристике могу бити једноставне попут облика или боје, што помаже у нашој способности да их категоришемо.
Пријаве од Објецт Детецтион се широко користе у медицинским наукама, аутономној вожњи, одбрани и војсци, јавној управи и многим другим областима захваљујући значајним побољшањима у компјутерском виду и обради слике.
Овде имамо ММДетецтион, фантастичан скуп алата за откривање објеката отвореног кода изграђен на Питорцх-у. У овом чланку ћемо детаљно испитати ММДетецтион, практиковати га, разговарати о његовим карактеристикама и још много тога.
Шта је ММДетецтион?
ММДетецтион Тоолбок је креиран као Питхон кодна база посебно за проблеме који укључују идентификацију објеката и сегментацију инстанце.
Користи се ПиТорцх имплементација и креирана је на модуларни начин. За препознавање објеката и сегментацију инстанци, широк спектар ефикасних модела је састављен у различите методологије.
Омогућава ефикасно закључивање и брзу обуку. Са друге стране, кутија са алаткама укључује тежине за преко 200 унапред обучених мрежа, што га чини брзим решењем у пољу идентификације објеката.
Са могућношћу прилагођавања тренутних техника или креирања новог детектора користећи доступне модуле, ММДетецтион функционише као мерило.
Кључна карактеристика кутије са алаткама је њено укључивање једноставних, модуларних делова од нормалног откривање објекта оквир који се може користити за креирање јединствених цевовода или јединствених модела.
Могућности бенцхмаркинга овог комплета алата олакшавају изградњу новог оквира детектора на врху постојећег оквира и упоређивање његових перформанси.
Карактеристике
- Популарни и модерни оквири за детекцију, као што су Фастер РЦНН, Маск РЦНН, РетинаНет, итд., су директно подржани комплетом алата.
- Коришћење 360+ унапред обучених модела за фино подешавање (или обуку изнова).
- За добро познате скупове података о визији укључујући ЦОЦО, Цитисцапес, ЛВИС и ПАСЦАЛ ВОЦ.
- На ГПУ-има се извршавају све основне операције ббок-а и маске. Друге базе кода, као што су Детецтрон2, маскрцнн-бенцхмарк и СимплеДет, могу се обучавати бржим темпом од или упоредо са овом.
- Истраживачи разлажу откривање објекта оквир у неколико модула, који се затим могу комбиновати да би се направио јединствен систем за детекцију објеката.
ММДетецтион Арцхитецтуре
ММДетецтион специфицира генерички дизајн који се може применити на било који модел пошто је то кутија са алатима са различитим унапред направљеним моделима, од којих сваки има своју архитектуру. Следеће компоненте чине ову целокупну архитектуру:
- Кичма: Бацкбоне, као што је РесНет-50 без коначног потпуно повезаног слоја, је компонента која претвара слику у мапе обележја.
- врат: Врат је сегмент који повезује кичму са главом. На сировим мапама карактеристика окоснице врши одређена прилагођавања или реконфигурације. Функција пирамидалне мреже је једна илустрација (ФПН).
- ДенсеХеад (АнцхорХеад/АнцхорФрееХеад): То је компонента која ради на густим областима мапа обележја, као што су АнцхорХеад и АнцхорФрееХеад, као што су РПНХеад, РетинаХеад и ФЦОСХеад.
- РоИЕктрацтор: Уз коришћење оператора сличних РоИПоолинг-у, то је одељак који извлачи РоИвисе карактеристике из једне или колекције мапа обележја. Узорак СинглеРоИЕктрацтор издваја РоИ карактеристике из одговарајућег нивоа пирамида карактеристика.
- РоИХеад (ББокХеад/МаскХеад): То је део система који користи карактеристике РоИ као улаз и генерише предвиђања за специфичне задатке заснована на РоИ, као што је класификација/регресија граничног оквира и предвиђање маске.
Конструкција једностепених и двостепених детектора је илустрована коришћењем претходно наведених концепата. Можемо развити сопствене процедуре једноставним конструисањем неколико свежих делова и комбиновањем неких постојећих.
Листа модела укључених у ММДетецтион
ММДетецтион обезбеђује врхунске базе кода за неколико добро познатих модела и модула оријентисаних на задатке. У наставку су наведени модели који су претходно направљени и прилагодљиве методе које се могу користити са ММДетецтион алатом. Листа расте како се додаје све више модела и метода.
- Брзи Р-ЦНН
- Бржи Р-ЦНН
- Маска Р-ЦНН
- РетинаНет
- ДЦН
- ДЦНв2
- Цасцаде Р-ЦНН
- М2Дет
- ГХМ
- СцратцхДет
- Двоглави Р-ЦНН
- Мрежа Р-ЦНН
- ФСАФ
- Вага Р-ЦНН
- ГЦНет
- ХРНет
- Маск Сцоринг Р-ЦНН
- ФЦОС
- ССД
- Р-ФЦН
- Мешовита прецизна обука
- Стандардизација тежине
- Хибридна каскада задатака
- Вођено сидрење
- Генерализована пажња
Изградња модела детекције објеката користећи ММДетецтион
У овом водичу ми ћемо бити Гоогле бележница за сарадњу јер се лако поставља и користи.
инсталација
Да бисмо инсталирали све што нам је потребно, прво ћемо инсталирати потребне библиотеке и клонирати пројекат ММдетецтион ГитХуб.
Увоз енв
Окружење за наш пројекат ће сада бити увезено из спремишта.
Увоз библиотека и ММдетецтион
Сада ћемо увести потребне библиотеке, заједно са ММдетецтион наравно.
Преузмите унапред обучене контролне тачке
Унапред обучене контролне тачке модела из ММдетецтион сада би требало да се преузму ради даљег прилагођавања и закључивања.
Модел зграде
Сада ћемо конструисати модел и применити контролне тачке на скуп података.
Закључи детектор
Сада када је модел правилно конструисан и напуњен, хајде да проверимо колико је одличан. Користимо ММДетецтион-ов детектор за закључивање АПИ високог нивоа. Овај АПИ је дизајниран да олакша процес закључивања.
Резултат
Хајде да погледамо резултате.
Zakljucak
У закључку, ММДетецтион алатни оквир надмашује недавно објављене базе кодова као што су СимплеДет, Детецтрон и Маскрцнн-бенцхмарк. Са великом колекцијом модела,
ММДетецтион је сада најсавременија технологија. ММДетецтион надмашује све остале базе кода у погледу ефикасности и перформанси.
Једна од најлепших ствари у вези са ММдетецтионом је то што сада можете само да покажете на другу конфигурациону датотеку, преузмете другу контролну тачку и покренете исти код ако желите да промените моделе.
Саветујем да погледате њихове инструкције ако наиђете на проблеме са било којом од фаза или желите да неке од њих изведете другачије.
Ostavite komentar