[PYTHON] Ich habe versucht, ein Objekt mit M2Det zu erkennen!

Dinge die zu tun sind

• Vorherige Zeit und Letzte Zeit haben die Objekterkennung mit SSD bzw. YOLO v3 durchgeführt. Ich habe es versucht, aber dieses Mal werde ich versuchen, Objekte mit M2Det zu erkennen
• Dieses Mal werden wir es auf Google Colaboratory ausführen.

Überblick

1. Vorbereitung der Ausführungsumgebung (ausgeführt von Google Colaboratory)
2. Laden Sie das Modell von Google Drive herunter
3. Kopieren Sie die Bilddatei
4. Führen Sie das Modell aus
5. Ergebnisse anzeigen

Ausführungsumgebung

• google colaboratory
• pytorch
• opencv
• tqdm
• addict

1. Vorbereitung der Ausführungsumgebung (ausgeführt von Google Colaboratory)

--Öffnen Sie Google Colaboratory und wechseln Sie auf der Registerkarte "Laufzeit" von "Laufzeittyp ändern" zu "GPU".

―― Danach machen Sie Folgendes

• Installieren Sie verschiedene Pakete
• Klonen Sie das Repository
• Shell ausführen

Vorbereitung der Ausführungsumgebung

!pip install torch torchvision
!pip install opencv-python tqdm addict
!git clone https://github.com/qijiezhao/M2Det.git
%cd M2Det/
!sh make.sh

2. Laden Sie das Modell von Google Drive herunter

-Das Linkziel des trainierten Modells ist in der README-Datei von GitHub (https://drive.google.com/file/d/1NM1UDdZnwHwiNDxhcP-nndaWj24m-) beschrieben 90L / view), also werde ich es auf den Code von diesem Google Drive-Link herunterladen

• Zum Herunterladen habe ich auf den Code in [hier] verwiesen (https://github.com/nsadawi/Download-Large-File-From-Google-Drive-Using-Python).
• Durch Ausführen von "download_file_from_google_drive" können Sie per Befehl herunterladen.

python

import requests

def download_file_from_google_drive(id, destination):
    URL = "https://docs.google.com/uc?export=download"

    session = requests.Session()

    response = session.get(URL, params = { 'id' : id }, stream = True)
    token = get_confirm_token(response)

    if token:
        params = { 'id' : id, 'confirm' : token }
        response = session.get(URL, params = params, stream = True)

    save_response_content(response, destination)    

def get_confirm_token(response):
    for key, value in response.cookies.items():
        if key.startswith('download_warning'):
            return value

    return None

def save_response_content(response, destination):
    CHUNK_SIZE = 32768

    with open(destination, "wb") as f:
        for chunk in response.iter_content(CHUNK_SIZE):
            if chunk: # filter out keep-alive new chunks
                f.write(chunk)

file_id = '1NM1UDdZnwHwiNDxhcP-nndaWj24m-90L'
destination = './m2det512_vgg.pth'
download_file_from_google_drive(file_id, destination)

3. Kopieren Sie die Bilddatei

--Mount Google Drive

• Kopieren Sie anschließend alle JPG-Dateien in dem Ordner, der die Bilddateien enthält, in "imgs", das M2Det ausführt (in meiner Umgebung werden die Bilddateien unter "Mein Laufwerk"> "ML") gespeichert.

Google Drive-Mount

from google.colab import drive
drive.mount('/content/drive')

Kopie der Bilddatei

!cp /content/drive/My\ Drive/ML/work/*.jpg ./imgs

4. Führen Sie das Modell aus

• Führen Sie das Modell aus

Modellausführung

!python demo.py -c=configs/m2det512_vgg.py -m=m2det512_vgg.pth

5. Ergebnisse anzeigen

• Zeigen Sie das Ergebnis der Ausführung an
• Die ausgeführte Bilddatei wird als "XXX_m2det.jpg " erstellt.

python

import cv2
import matplotlib.pyplot as plt

plt.figure(figsize=(5, 5), dpi=200)
img = cv2.imread('imgs/herd_of_horses_m2det.jpg')
show_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(show_img)

• Andere Bilder wurden auch durchgeführt

Quellcode

https://github.com/hiraku00/m2det_test

Referenz

• Ich habe M2Det ausprobiert, das angeblich schneller als YOLO und SSD ist
• Demo / Evaluierung / Lernen mit M2Det versuchen
• Ich habe versucht, die neueste und stärkste Objekterkennungstechnologie M2Det zu verschieben