Detectron2使用教程

文章参考https://blog.csdn.net/weixin_42174674/article/details/116290093

查看官网文档

Detectron2使用教程_第1张图片

https://detectron2.readthedocs.io/en/latest/tutorials/getting_started.html

下载已有训练的模型

https://github.com/facebookresearch/detectron2/blob/main/MODEL_ZOO.md

使用预训练的模型

(1) 从 model zoo 中选择一个模型和对应的config,比如:mask_rcnn_R_50_FPN_3x.yaml

(2) 我们提供了一个 demo.py 可以快速运行 demo。

可以将模型以及图片放入demo文件夹中,然后运行,查看以下效果

Detectron2使用教程_第2张图片

官方的
cd demo/
python demo.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input input1.jpg input2.jpg [--other-options] --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl


输入自己的
cd demo/
python demo.py
--config-file
../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml
--input
horses.jpg
[--other-options]
--opts
MODEL.WEIGHTS
D:\Desktop\yolo\detectron2-main\demo\model_final_f10217.pkl

这个命令会快速加载训练好的模型并且在选择的图片上进行推理,随后会通过opencv窗口显示。

demo.py的各种命令具体查看 demo.py -h,包括在摄像头上运行,测试视频,或者在cpu上运算等。

检测结果图

Detectron2使用教程_第3张图片

 训练

在命令行中进行训练和评测
我们提供了两种快速训练的工具:“tools/plain_train_net.py” 以及 “tools/train_net.py”,如果你需要自己的训练工具可以参考这两个文件。

"plain_train_net"相比"train_net"更为简单,但是少了一些自定义的参数。如果要使用 train_net.py 进行训练,你需要首先按照 datasets/README.md 里面的要求摆放好数据集,然后运行:
 

cd tools/
./train_net.py --num-gpus 8 --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml

如果你的内存不够,需要修改batchsieze

需要进入mask_rcnn_R_50_FPN_1x.yaml   然后查看

_BASE_: "../Base-RCNN-FPN.yaml"   修改IMS_PER_BATCH即可。

Detectron2使用教程_第4张图片

或者直接修改参数,SOLVER.IMS_PER_BATCH 就是batchsize

./train_net.py \
  --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml \
  --num-gpus 1 SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025

 然后运行进行训练。

训练好之后,如果需要评测模型,可以使用

./train_net.py \
  --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml \
  --eval-only MODEL.WEIGHTS /path/to/checkpoint_file

你可能感兴趣的:(深度学习,深度学习,目标检测,人工智能)