print(points)
x1 = points[0][0]
y1 = points[0][1]
x2 = points[1][0]
y2 = points[1][1]
contour = np.array([[x1, y1], [x2, y1], [x2, y2], [x1, y2]]) # points = [[x1, y1], [x2, y2]] for rectangle
contour = contour.astype(int)
area = cv2.contourArea(contour)
print("contour is ", contour, " area = ", area)
annotation[‘segmentation’] = [list(np.asarray([[x1, y1], [x2, y1], [x2, y2], [x1, y2]]).flatten())]
[list(np.asarray(contour).flatten())]
annotation[‘iscrowd’] = 0
annotation[‘area’] = area
annotation[‘image_id’] = num + 1
if self.require_mask:
annotation[‘bbox’] = list(map(float, self.getbbox(points)))
else:
x1 = points[0][0]
y1 = points[0][1]
width = points[1][0] - x1
height = points[1][1] - y1
annotation[‘bbox’] = list(np.asarray([x1, y1, width, height]).flatten())
annotation[‘category_id’] = self.getcatid(label)
annotation[‘id’] = self.annID
return annotation
def getcatid(self, label):
for categorie in self.categories:
if label[1]==categorie[‘name’]:
if label == categorie[‘name’]:
return categorie[‘id’]
return -1
def getbbox(self, points):
polygons = points
mask = self.polygons_to_mask([self.height, self.width], polygons)
return self.mask2box(mask)
def mask2box(self, mask):
np.where(mask==1)
index = np.argwhere(mask == 1)
rows = index[:, 0]
clos = index[:, 1]
left_top_r = np.min(rows) # y
left_top_c = np.min(clos) # x
right_bottom_r = np.max(rows)
right_bottom_c = np.max(clos)
return [left_top_c, left_top_r, right_bottom_c - left_top_c, right_bottom_r - left_top_r]
def polygons_to_mask(self, img_shape, polygons):
mask = np.zeros(img_shape, dtype=np.uint8)
mask = PIL.Image.fromarray(mask)
xy = list(map(tuple, polygons))
PIL.ImageDraw.Draw(mask).polygon(xy=xy, outline=1, fill=1)
mask = np.array(mask, dtype=bool)
return mask
def data2coco(self):
data_coco = {}
data_coco[‘images’] = self.images
data_coco[‘categories’] = self.categories
data_coco[‘annotations’] = self.annotations
return data_coco
def save_json(self):
print(“in save_json”)
self.data_transfer()
self.data_coco = self.data2coco()
print(self.save_json_path)
json.dump(self.data_coco, open(self.save_json_path, ‘w’), indent=4)
labelme_json = glob.glob(‘LabelmeData/*.json’)
from sklearn.model_selection import train_test_split
trainval_files, test_files = train_test_split(labelme_json, test_size=0.2, random_state=55)
import os
if not os.path.exists(“projects/CenterNet2/datasets/coco/annotations”):
os.makedirs(“projects/CenterNet2/datasets/coco/annotations/”)
if not os.path.exists(“projects/CenterNet2/datasets/coco/train2017”):
os.makedirs(“projects/CenterNet2/datasets/coco/train2017”)
if not os.path.exists(“projects/CenterNet2/datasets/coco/val2017”):
os.makedirs(“projects/CenterNet2/datasets/coco/val2017”)
labelme2coco(trainval_files, ‘projects/CenterNet2/datasets/coco/annotations/instances_train2017.json’)
labelme2coco(test_files, ‘projects/CenterNet2/datasets/coco/annotations/instances_val2017.json’)
import shutil
for file in trainval_files:
shutil.copy(os.path.splitext(file)[0] + “.jpg”, “projects/CenterNet2/datasets/coco/train2017/”)
for file in test_files:
shutil.copy(os.path.splitext(file)[0] + “.jpg”, “projects/CenterNet2/datasets/coco/val2017/”)
===================================================================
在projects/CenterNet2目录,新建change_model_size.py文件
import torch
import numpy as np
import pickle
num_class = 2
pretrained_weights = torch.load(‘models/CenterNet2_R50_1x.pth’)
pretrained_weights[‘iteration’]=0
pretrained_weights[‘model’][“roi_heads.box_predictor.0.cls_score.weight”].resize_(num_class+1,1024)
pretrained_weights[‘model’][“roi_heads.box_predictor.0.cls_score.bias”].resize_(num_class+1)
pretrained_weights[‘model’][“roi_heads.box_predictor.1.cls_score.weight”].resize_(num_class+1,1024)
pretrained_weights[‘model’][“roi_heads.box_predictor.1.cls_score.bias”].resize_(num_class+1)
pretrained_weights[‘model’][“roi_heads.box_predictor.2.cls_score.weight”].resize_(num_class+1,1024)
pretrained_weights[‘model’][“roi_heads.box_predictor.2.cls_score.bias”].resize_(num_class+1)
torch.save(pretrained_weights, “models/CenterNet2_%d.pth”%num_class)
这个文件的目的是修改模型输出的size,numclass按照本次打算训练的数据集的类别设置。
路径:“detectron2/engine/defaults.py”
–config-file:模型的配置文件,CenterNet2的模型配置文件放在“projects/CenterNet2/configs”下面。名字和预训练模型对应。
parser.add_argument(“–config-file”, default=“./configs/CenterNet2_DLA-BiFPN-P3_4x.yaml”, metavar=“FILE”, help=“path to config file”)
resume 是否再次,训练,如果设置为true,则接着上次训练的结果训练。所以第一次训练不用设置。
parser.add_argument(
“–resume”,
action=“store_true”,
help="Whether to attempt to resume from the checkpoint directory. "
“See documentation of DefaultTrainer.resume_or_load()
for what it means.”,
)
–num-gpus,gpu的个数,如果只有一个设置为1,如果有多个,可以自己设置想用的个数。
parser.add_argument(“–num-gpus”, type=int, default=1, help=“number of gpus per machine”)
opts指的是yaml文件的参数。
上面的参数可以设置,也可以不设置,设置之后可以直接运行不用再考虑设置参数,如果不设置每次训练的时候配置一次参数。
修改类别,文件路径“projects/CenterNet2/centernet/config.py”,
_C.MODEL.CENTERNET.NUM_CLASSES = 2
修改yaml文件参数
Base-CenterNet2.yaml中修改预训练模型的路径。
WEIGHTS: “CenterNet2_2.pth”
BASE_LR:设置学习率。
STEPS:设置训练多少步之后调整学习率。
MAX_ITER:最大迭代次数。
CHECKPOINT_PERIOD:设置迭代多少次保存一次模型
BASE_LR: 0.01
STEPS: (10000, 50000)
MAX_ITER: 100000
CHECKPOINT_PERIOD: 5000
在设置上面的参数时要注意,如果选择用CenterNet2_R50_1x.yaml,里面没有参数,则在Base-CenterNet2.yaml中设置,如果选用其他的,例如CenterNet2_DLA-BiFPN-P3_4x.yaml,这些参数需要在CenterNet2_DLA-BiFPN-P3_4x.yaml改。
主要修改该setup函数,增加数据集注册。
NUM_CLASSES=2
def setup(args):
“”"
Create configs and perform basic setups.
“”"
register_coco_instances(“train”, {}, “datasets/coco/annotations/instances_train2017.json”,
“datasets/coco/train2017”)
register_coco_instances(“test”, {}, “datasets/coco/annotations/instances_val2017.json”,
“datasets/coco/val2017”)
cfg = get_cfg()
add_centernet_config(cfg)
cfg.merge_from_file(args.config_file)
cfg.merge_from_list(args.opts)
cfg.DATASETS.TRAIN = (“train”,)
cfg.DATASETS.TEST = (“test”,)
cfg.MODEL.CENTERNET.NUM_CLASSES = NUM_CLASSES
cfg.MODEL.ROI_HEADS.NUM_CLASSES = NUM_CLASSES
if ‘/auto’ in cfg.OUTPUT_DIR:
file_name = os.path.basename(args.config_file)[:-5]
cfg.OUTPUT_DIR = cfg.OUTPUT_DIR.replace(‘/auto’, ‘/{}’.format(file_name))
logger.info(‘OUTPUT_DIR: {}’.format(cfg.OUTPUT_DIR))
cfg.freeze()
default_setup(cfg, args)
return cfg
还要修改detectron2/engine/launch.py,在launch函数下面增加一句
dist.init_process_group(‘gloo’, init_method=‘file://tmp/somefile’, rank=0, world_size=1)
如下图:
这句话的作用是初始化分布式训练,因为我们没有使用分布式,所以没有初始化,但是不初始化就会报错,所以加上这句。
===============================================================
两种启动方式:
第一种,命令行:进入“projects/CenterNet2/”目录下,执行:
python train_net.py
第二种,直接在pycharm 直接运行train_net.py.
训练结果:
从训练结果上看,效果确实不错,不过模型很大。大约有500M
===============================================================
修改projects/CenterNet2/demo.py
在红框的位置增加代码,详细如下面的代码。
NUM_CLASSES=2
def setup_cfg(args):
load config from file and command-line arguments
cfg = get_cfg()
add_centernet_config(cfg)
cfg.MODEL.CENTERNET.NUM_CLASSES = NUM_CLASSES
cfg.MODEL.ROI_HEADS.NUM_CLASSES = NUM_CLASSES
cfg.merge_from_file(args.config_file)
cfg.merge_from_list(args.opts)
Set score_threshold for builtin models
cfg.MODEL.RETINANET.SCORE_THRESH_TEST = args.confidence_threshold
cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = args.confidence_threshold
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
五、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
6iL5bqP5aqb56eD56eD,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)
五、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
[外链图片转存中…(img-Qpuvxowf-1712648477167)]