Atọka akoonu[Fipamọ][Ifihan]
Ọkan ninu awọn imọran ti o rọrun julọ sibẹsibẹ ti o ni iyanilẹnu julọ ni ẹkọ ti o jinlẹ jẹ wiwa ohun. Ero ipilẹ ni lati pin nkan kọọkan si awọn kilasi ti o tẹle ti o ṣe aṣoju awọn ami afiwera ati lẹhinna fa apoti kan ni ayika rẹ.
Awọn abuda iyatọ wọnyi le jẹ rọrun bi fọọmu tabi awọ, eyiti o ṣe iranlọwọ ni agbara wa lati ṣe tito lẹtọ wọn.
Awọn ohun elo ti Ṣiṣe ohun ti wa ni iṣẹ lọpọlọpọ ni awọn imọ-ẹrọ iṣoogun, awakọ adase, aabo ati ologun, iṣakoso gbogbo eniyan, ati ọpọlọpọ awọn aaye miiran ọpẹ si awọn ilọsiwaju idaran ninu Iranran Kọmputa ati Ṣiṣe Aworan.
Nibi ti a ni MMDetection, ikọja ṣiṣi-orisun ohun irinṣẹ iwari ohun ti a ṣe lori Pytorch. Ninu nkan yii, a yoo ṣe ayẹwo MMDetection ni awọn alaye, lọ ni ọwọ-lori pẹlu rẹ, jiroro awọn ẹya rẹ, ati pupọ diẹ sii.
ohun ti o jẹ MMDetection?
awọn MMDetection Apoti irinṣẹ ni a ṣẹda bi koodu koodu Python pataki fun awọn iṣoro ti o kan idanimọ ohun ati ipin apẹẹrẹ.
Ti lo imuse PyTorch, ati pe o ṣẹda ni aṣa apọjuwọn. Fun idanimọ ohun ati apakan apẹẹrẹ, ọpọlọpọ awọn awoṣe ti o munadoko ni a ti ṣajọpọ sinu ọpọlọpọ awọn ilana.
O ngbanilaaye itọkasi ti o munadoko ati ikẹkọ iyara. Ni apa keji, apoti irinṣẹ pẹlu awọn iwuwo fun diẹ sii ju awọn nẹtiwọọki ti a ti kọkọ tẹlẹ 200, ti o jẹ ki o ṣe atunṣe ni iyara ni aaye idanimọ ohun.
Pẹlu agbara lati ṣe adaṣe awọn ilana lọwọlọwọ tabi ṣẹda aṣawari tuntun nipa lilo awọn modulu to wa, awọn iṣẹ MMDetection bi ala-ilẹ.
Ẹya bọtini apoti irinṣẹ ni ifisi ti taara, awọn ẹya modulu lati deede ohun èlò ilana ti o le ṣee lo lati ṣẹda oto pipelines tabi oto si dede.
Awọn agbara aṣepari ti ohun elo irinṣẹ yii jẹ ki o rọrun lati kọ ilana aṣawari tuntun lori oke ilana ti o wa tẹlẹ ki o ṣe afiwe iṣẹ rẹ.
Awọn ẹya ara ẹrọ
- Gbajumo ati awọn ilana wiwa ode oni, gẹgẹbi Yiyara RCNN, Maski RCNN, RetinaNet, ati bẹbẹ lọ, jẹ atilẹyin taara nipasẹ ohun elo irinṣẹ.
- Lilo awọn awoṣe 360+ ti a ti kọkọ tẹlẹ fun atunṣe-itanran (tabi ikẹkọ tuntun).
- Fun awọn ipilẹ data iran ti a mọ daradara pẹlu COCO, Cityscapes, LVIS, ati PASCAL VOC.
- Lori awọn GPUs, gbogbo bbox ipilẹ ati awọn iṣẹ boju-boju jẹ ṣiṣe. Awọn ipilẹ koodu miiran, gẹgẹbi Detectron2, maskrcnn-benchmark, ati SimpleDet, le jẹ ikẹkọ ni iyara ju tabi ni deede pẹlu eyi.
- Oluwadi ya lulẹ awọn ohun èlò ilana sinu ọpọlọpọ awọn modulu, eyiti o le ṣe idapo lati ṣẹda eto wiwa ohun alailẹgbẹ kan.
MMDetection Architecture
MMDetection ṣalaye apẹrẹ jeneriki kan ti o le lo si awoṣe eyikeyi nitori pe o jẹ apoti irinṣẹ pẹlu ọpọlọpọ awọn awoṣe ti a ti kọ tẹlẹ, ọkọọkan eyiti o ni faaji tirẹ. Awọn paati atẹle wọnyi jẹ ẹya-ara gbogbogbo yii:
- gbara: Egungun ẹhin, gẹgẹbi ResNet-50 laisi ipari ti o ni asopọ ni kikun, jẹ paati ti o yi aworan pada si awọn maapu ẹya.
- ọrùn: Ọrun jẹ apakan ti o so ẹhin pọ mọ awọn ori. Lori awọn maapu ẹya aise ti ẹhin, o ṣe awọn atunṣe tabi awọn atunto kan. Nẹtiwọọki jibiti ẹya jẹ apejuwe kan (FPN).
- DeseHead (AnchorHead/AnchorFreeHead): O jẹ paati ti o nṣiṣẹ lori awọn agbegbe ipon ti awọn maapu ẹya, gẹgẹbi AnchorHead ati AnchorFreeHead, gẹgẹbi RPNHead, RetinaHead, ati FCOHead.
- RoIEExtractor: Pẹlu lilo awọn oniṣẹ ẹrọ RoIPooling, o jẹ apakan ti o fa awọn ẹya RoIwise lati ẹyọkan tabi akojọpọ awọn maapu ẹya-ara. Apeere SingleRoIEextractor yọkuro awọn ẹya RoI lati ipele ti o baamu ti awọn pyramids ẹya.
- RoIHead (BBoxHead/MaskHead): O jẹ apakan ti eto ti o lo awọn abuda RoI bi titẹ sii ati ṣe ipilẹṣẹ awọn asọtẹlẹ iṣẹ-ṣiṣe ti o da lori RoI, gẹgẹ bi ipin apoti didi / ifaseyin ati asọtẹlẹ iboju-boju.
Itumọ ti ipele ẹyọkan ati awọn aṣawari ipele meji jẹ alaworan nipa lilo awọn imọran ti a mẹnuba. A le ṣe agbekalẹ awọn ilana tiwa ni irọrun nipa kikọ awọn ẹya tuntun diẹ ati apapọ awọn ti o wa tẹlẹ.
Akojọ awọn awoṣe to wa ninu MMDetection
MMDetection n pese awọn koodu koodu ogbontarigi fun ọpọlọpọ awọn awoṣe ti a mọ daradara ati awọn modulu iṣẹ-ṣiṣe. Awọn awoṣe ti o ti ṣe tẹlẹ ati awọn ọna imudọgba ti o le ṣee lo pẹlu apoti irinṣẹ MMDetection ti wa ni akojọ si isalẹ. Atokọ naa n tẹsiwaju lati dagba bi awọn awoṣe diẹ sii ati awọn ọna ti wa ni afikun.
- Yara R-CNN
- Yiyara R-CNN
- Boju-boju R-CNN
- RetinaNet
- DCN
- DCNv2
- Kasikedi R-CNN
- M2Det
- GHM
- ScratchDet
- Double-Ori R-CNN
- Akoj R-CNN
- FSAF
- Libra R-CNN
- GCNet
- HRNet
- Ifimaaki boju-boju R-CNN
- FCOS
- SSD
- R-FCN
- Adalu konge Training
- Àdánù Standardization
- arabara ise kasikedi
- Anchoring itọsọna
- Ifarabalẹ Lapapọ
Awoṣe wiwa ohun kikọ nipa lilo MMDetection
Ninu ikẹkọ yii, a yoo jẹ iwe akiyesi Google collab nitori o rọrun lati ṣeto ati lo.
fifi sori
Lati fi ohun gbogbo ti a nilo sori ẹrọ, a yoo kọkọ fi awọn ile-ikawe to wulo sori ẹrọ ati ẹda ẹda MMdetection GitHub.
Gbigbe env
Ayika fun ise agbese wa yoo wa ni agbewọle lati ibi ipamọ.
Awọn ile-ikawe agbewọle ati wiwa MM
A yoo gbe wọle ni bayi awọn ile-ikawe ti o nilo, pẹlu wiwa MM dajudaju.
Ṣe igbasilẹ awọn aaye ayẹwo ti o ti kọ tẹlẹ
Awọn aaye ayẹwo awoṣe ti ikẹkọ tẹlẹ lati MMdetection yẹ ki o ṣe igbasilẹ ni bayi fun atunṣe siwaju ati itọkasi.
Awoṣe ile
A yoo ṣe agbekalẹ awoṣe naa ati lo awọn aaye ayẹwo si dataset.
Inference oluwari
Ni bayi pe awoṣe ti kọ daradara ati ti kojọpọ, jẹ ki a ṣayẹwo bii o ṣe dara julọ. A nlo oluṣawari idawọle API ipele giga MMDetection. API yii jẹ apẹrẹ lati jẹ ki ilana itọka rọrun.
esi
Jẹ ki a wo awọn abajade.
ipari
Ni ipari, Apoti irinṣẹ MMDetection ṣe itusilẹ awọn koodu ipilẹ laipẹ bii SimpleDet, Detectron, ati Maskrcnn-benchmark. Pẹlu ikojọpọ awoṣe nla,
MMDetection jẹ imọ-ẹrọ imọ-ti-ti-aworan ni bayi. MMDetection ṣe ju gbogbo awọn ipilẹ koodu miiran lọ ni awọn ofin ṣiṣe ati iṣẹ ṣiṣe.
Ọkan ninu awọn ohun ti o dara julọ nipa MMdetection ni pe o le kan tọka si faili iṣeto ti o yatọ, ṣe igbasilẹ aaye ayẹwo miiran, ati ṣiṣe koodu kanna ti o ba fẹ yi awọn awoṣe pada.
Mo ni imọran lati wo wọn ilana ti o ba ti o ba ṣiṣe awọn sinu awọn iṣoro pẹlu eyikeyi ninu awọn ipele tabi fẹ lati gbe jade diẹ ninu awọn ti wọn otooto.
Fi a Reply