基于Yolact的实例分割：条形码检测

一、环境准备

 下载Yolact

GitHub - dbolya/yolact: A simple, fully convolutional model for real-time instance segmentation.https://github.com/dbolya/yolact

 安装GPU文件版本

cuda_10.2.89_441.22_win10https://developer.nvidia.com/

cudnn-10.2-windows10-x64-v8.1.0.77https://developer.nvidia.com/zh-cn/cudnn

二、数据集准备

1、标记样本

标记样本用的是labelme，最后输出的是”样本+标签“的形式

​

 2、转coco数据集

转coco数据集需要用到labelme源码，可以从这个位置下载：

labelme/examples/instance_segmentation at main · wkentaro/labelme · GitHubhttps://github.com/wkentaro/labelme/tree/main/examples/instance_segmentation

​

 训练样本拷贝到data_annotated文件夹下：

​

 修改/新建labels文件：

​

 在终端里运行以下代码:

python labelme2coco.py data_annotated train_coco --labels labels.txt

​

运行结束后会生成一个 train_coco文件夹，内容如下：

 3、Yolact中数据集目录结构

 三、训练与预测

1、下载预训练文件

Image Size	Backbone	PPS	mAP	Weights	aliYun
550	Resnet50-FPN	42.5	28.2	resnet50-19c8e357.pth	阿里云
550	Darknet53-FPN	40.0	28.7	darknet53.pth	阿里云
550	Resnet101-FPN	33.5	29.8	resnet101_reducedfc.pth	阿里云

2、修改配置文件config.py

 训练使用默认配置，可以自行修改训练参数

 3、开始训练

# Trains using the base config with a batch size of 8 (the default).
python train.py --config=yolact_base_config

# Trains yolact_base_config with a batch_size of 5. For the 550px models, 1 batch takes up around 1.5 gigs of VRAM, so specify accordingly.
python train.py --config=yolact_base_config --batch_size=5

# Resume training yolact_base with a specific weight file and start from the iteration specified in the weight file's name.
python train.py --config=yolact_base_config --resume=weights/yolact_base_10_32100.pth --start_iter=-1

# Use the help option to see a description of all available command line arguments
python train.py --help

 训练参数：

–batch_size：大小取决于你的显卡，报错就调小一点
–num_workers：线程数，一般都是需要设置为 “0”
–lr：学习率
–save_folder：训练完后模型保存的路径
–config：config配置文件选择，none为默认配置
–save_interval：每10000次迭代保存模型权重
–validation_epoch：每2个epoch进行一次验证计算
–dataset：数据集路径

 4、预测

# Display qualitative results on the specified image.
python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --image=my_image.png

# Process an image and save it to another file.
python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --image=input_image.png:output_image.png

# Process a whole folder of images.
python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --images=path/to/input/folder:path/to/output/folder

5、效果

 

 

四、部署

关于部署到可以参考这篇文章： 使用opencv部署yolact实例分割。需要注意的是，里面的config.py需要替换成自己训练的配置。

也可直接采用修改好的Yolact版本：GitHub - Ma-Dan/yolact at onnx