Detectron2训练自己的数据集手把手指导

Detectron2练习自己的实例朋分数据集

This article was original written by Jin Tian, welcome re-post, first come with https://jinfagang.github.io . but please keep this copyright info, thanks, any question could be asked via wechat: jintianiloveu

本文先容若何机关自己的类coco数据集，并用detectron2来练习并猜测。现实上detectron2出来已经有几天了。但这个框架小我感受离真正产业利用还有点间隔，首先第一点是欠好摆设，其次是相关的其他模子导出支持比力差，比如不支持onnx，同时即即是导出的onnx模子也很难用上一些加速框架停止加速，比如不支持TensorRT。但假如你不是追求速度，用python做推理也是可以的，而且最关键的是，你可以用你的数据集练习你的模子，大概是在这个框架上增加一些自己的点窜，看看结果能否是更好之类。

首先看看这个若何来练习自己的数据集。我们明天要用的数据是这个：

这篇文章很大鉴戒于原作者的一些尝试，感爱好的朋友可以给他github一个star，人家也不轻易。这个data是一个很是很是合适来测试朋分的一个微型数据集，小到什么水平？只要那末25张图片。。

种别大如果:

（这里date的意义是枣椰子，fig的意义是无花果，hazelnut是榛子。)

假如你下载好了数据，那末根基上我们可以起头了。大师可以看到这个数据集还有一个trainval.json，美满是依照coco的标注方式来标注的。coco的json格式也是今朝比力通用的是instance segmentation 大概是Panoptic segmentation标注格式。

Setup Detectron2

关于若何安装detectron2这里不展开论述，大师可以依照github赐与的步调来。这里给大师几点提醒：

• 要python3.6;
• 要pytorch1.3.

其他的没有了。

练习

首先看一下这个很是小很是迷你的数据集，在100次练习以后的结果：

Full source code:

注册完数据集以后，可以起头train，根基上几个epoch便可以。

可以看出来，这个结果还是很是不错的啊。练习的剧本也很是简单：

大师能够感觉这个instance segmention练习的太轻易，那末来应战难度大一点的？

确切，这个坚果数据集实在是太简单了，简单到我们甚至打印不出任何练习进程，一眨眼模子就练习好了。那就来个难度大一点的吧，我们将用Detectron2练习Cityscapes的实例朋分！

Detectron2 练习Cityscapes实例朋分

虽然在Detectron2里面有Cityscapes的数据dataloader，但我们并不筹算用它，相反，我们感觉利用同一化的coco数据集格式可以更好的让数据fit。当我们决议做这件工作的时辰犯难了。若何从Cityscapes转到coco？

幸亏有这个需求的人很多，这值得我们开辟一个工具来转它。我们保护的现成的工具剧本可以在这里找到：

https://github.com/jinfagang/cityscapestococo

现实上我们将数据转到coco以后，发现结果我们设想的还好，由于这些标注都很是精准，而且包括了我们感爱好的常用种别，比如car，truck，rider，cyclist，motor-cycle等：

这是可视化的结果。这些步调与我们上面练习坚果数据集的步调差不多，大师仿制步调来，首先可视化数据确保我们的数据是正确无误的。那末接下里的工作就很简单了。

看起来似乎还不错，这些种别众多而精准，接下来起头train：

看起来似乎还不错。现在练习一个instance segmentation 简直是太简单了。

那末这个instance segmention模子练习完成以后是一种什么样的结果呢？模子还在练习，我们等下一期技术文章公布以后，给大师分享一下成果，同时，告诉大师一个好消息：

1. 类似于MaskRCNN这样的模子速度是很难在现实场景中用起来的，缘由也很简单，我们都需要realtime的工具，这速度差强人意，能够否有人尝试更简便的backbone呢？不得而知，不外好消息是现实上经过一些加速框架，是可以把MaskRCNN加速到realtime的。而这些，我们等到detectron2go公布以后，也许会看获得一些好消息。

本文首发于MANA AI社区，假如你对AI感爱好，接待加入我们的社区一路交换：