基于天元RetinaNet (COCO预训练权重）目标检测实战“喵星人”（运行环境MegStudio）

目录

使用model hub API

加载预训练模型API

读入和预处理图片数据

模型推理

推理预测和生成目标检测图片

下载源码，MegStudio中终端运行

MegEngine Models

综述

安装和环境配置

使用预训练模型

检测标注结果

---

使用Model hub API

加载预训练模型API

from megengine import hub
model = hub.load(
    "megengine/models", # Github相对路径
    "retinanet_res50_coco_1x_800size", # 指定模型名称
    pretrained=True,
    use_cache=False,
)
model.eval() # 设置为评价验证模式

models_api = hub.import_module(
    "megengine/models",
    git_host="github.com",
)

读入和预处理图片数据

import cv2
image = cv2.imread("./workspace/cat/cat4.jpg") # 图片的相对路径
data, im_info = models_api.DetEvaluator.process_inputs(image, 800, 1333) 
# 图片裁剪为宽<=800 高<=1333

模型推理

# 将处理后的图片数据输入到模型中
model.inputs["image"].set_value(data)
model.inputs["im_info"].set_value(im_info)

# 定义静态模型推理函数
from megengine import jit
@jit.trace(symbolic=True)
def infer():
    predictions = model(model.inputs)
    return predictions

推理预测和生成目标检测图片

# 推理预测
evaluator = models_api.DetEvaluator(model)
pred_res = evaluator.predict(infer)

# 可视化目标检测结果，生成标注后的图片
res_img = models_api.DetEvaluator.vis_det(
    image, # 原始图片
    pred_res, # 推理预测结果
    is_show_label=True,
#     classes=data_mapper[cfg.test_dataset["name"]].class_names,
)
cv2.imwrite("results1.jpg", res_img)

---

下载源码，MegStudio中终端运行

MegEngine Models

本仓库包含了采用MegEngine实现的各种主流深度学习模型。

official目录下提供了各种经典的图像分类、目标检测、图像分割以及自然语言模型的官方实现。每个模型同时提供了模型定义、推理以及训练的代码。

官方会一直维护official下的代码，保持适配MegEngine的最新API，提供最优的模型实现。同时，提供高质量的学习文档，帮助新手学习如何在MegEngine下训练自己的模型。

综述

对于每个模型，提供了至少四个脚本文件：模型定义(model.py)、模型推理(inference.py)、模型训练(train.py)、模型测试(test.py)。

每个模型目录下都对应有一个README，介绍了模型的详细信息，并详细描述了训练和测试的流程。例如 ResNet README。

另外，official下定义的模型可以通过megengine.hub来直接加载，如上案例代码。

更多可以通过megengine.hub接口加载的模型见hubconf.py。

安装和环境配置

在开始运行本仓库下的代码之前，用户需要通过以下步骤来配置本地环境：

1.克隆仓库

git clone https://github.com/MegEngine/Models.git

2.安装依赖包

pip3 install --user -r requirements.txt

3.添加目录到python环境变量中

which python3
/home/megstudio/.miniconda/envs/xuan/bin/python3 # 我的python路径

/home/megstudio/workspace/Models # 我的Models路径

# 配置模型和python路径 export PYTHONPATH=/path/to/models:$PYTHONPATH
export PYTHONPATH="/home/megstudio/.miniconda/envs/xuan/bin/python3:/home/megstudio/workspace/Models" 
# 中间用“:”隔开
# 查看配置成功
echo $PYTHONPATH
/home/megstudio/.miniconda/envs/xuan/bin/python3:/home/megstudio/workspace/Models

使用预训练模型

python3 workspace/Models/official/vision/detection/tools/inference.py \
-f workspace/Models/official/vision/detection/configs/retinanet_res50_coco_1x_800size.py \
-w ./workspace/retinanet_res50_coco_1x_800size.pkl \
-i workspace/cat/cat1.jpg

inference.py的命令行选项如下:

• -f, 测试的网络结构描述文件。
• -i, 需要测试的样例图片。
• -w, 网络结构文件所对应的训练权重, 可以从顶部的表格中下载训练好的检测器权重。

检测标注结果