[PYTHON] Versuchen Sie, yolact zu implementieren

Umgebung

• CUDA V10.0.130
• Python 3.7.3
• gcc 7.3.0
• Pytorch 1.2.0

installieren

git clone https://github.com/dbolya/yolact.git
cd yolact
pip install opencv-python pillow==6.2.1 pycocotools matplotlib
pip install cython
pip install torch==1.2.0 torchvision==0.4.0    # CUDA10.Stabil bei 0

Kompilieren Sie DCNv2, wenn Sie yolact ++ verwenden

cd external/DCNv2
python setup.py develop

Rückschluss auf das trainierte Modell

1. Laden Sie das trainierte Modell herunter https://drive.google.com/file/d/15id0Qq5eqRbkD-N3ZjDZXdCvRyIaHpFB/view?usp=sharing
2. Inferenz durchführen

• Bild

  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
  

• Video

  python eval.py 
      --trained_model=weights/yolact_base_54_800000.pth 
      --score_threshold=0.15 
      --top_k=15 
      --video_multiframe=4 
      --video=input_video.mp4:output_video.mp4
  

Lernen Sie mit Originaldaten

1. Bereiten Sie den Datensatz im Coco-Format vor (Bild + JSON).
2. Laden Sie das Pre-Learning-Modell herunter

• Resnet50
  https://drive.google.com/file/d/1Jy3yCdbatgXa5YYIdTCRrSV0S9V5g1rn/view?usp=sharing
• Resnet101
  https://drive.google.com/file/d/1tvqFPd4bJtakOlmn-uIA492g2qurRChj/view?usp=sharing
• Darknet53
  https://drive.google.com/file/d/17Y431j4sagFpSReuPNoFcj9h7azDTZFf/view?usp=sharing

1. Ändern Sie die Konfigurationsdatei (2 Stellen) Füllen Sie zuerst die Datenbankdefinition aus.

       test_dataset = dataset_base.copy({
           'name': 'Test Dataset',
   
           'train_images': 'path_to_training_images',
           'train_info':   'path_to_training_annotation',
   
           'valid_images': 'path_to_validation_images',
           'valid_info':   'path_to_validation_annotation',
   
           'has_gt': True,
           'class_names': ('my_class_id_1', 'my_class_id_2', 'my_class_id_3', ...)
       })
   

Ändern Sie dann die Standardkonfigurationsdatei und beenden Sie das Programm.

```py:data/config.py
    yolact_base_config = coco_base_config.copy({
        'name': 'yolact_base',

        # Dataset stuff
        # 'dataset': coco2017_dataset,    # default
        'dataset': test_dataset,    # Original Dataset

        # 'num_classes': len(coco2017_dataset.class_names) + 1,
        'num_classes': len(test_dataset.class_names) + 1,
    })
```

1. Lernen

• Ändern Sie die Konfiguration je nach Modell

• Speichern Sie das ursprüngliche Modell (resnet50-19c8e357.pth) im Ordner save_folder

  python train.py --config=yolact_plus_resnet50_config --save_folder=/path/to/workspace/ --save_interval=1000
  

1. Bewertung der Modellgenauigkeit

• Kann mit dem folgenden Code ausgewertet werden.

• Wenn Sie am Ende --output_coco_json hinzufügen, können Sie unter ~ / results / eine json-Datei generieren.

  python eval.py --trained_model=weights/yolact_base_54_800000.pth