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、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。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
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！
self.save_json_path = save_json_path
self.images = []
self.categories = []
self.annotations = []
self.data_coco = {}
self.label = []
self.annID = 1
self.height = 0
self.width = 0
self.require_mask = REQUIRE_MASK
self.save_json()
def data_transfer(self):
for num, json_file in enumerate(self.labelme_json):
if not json_file == self.save_json_path:
with open(json_file, ‘r’) as fp:
data = json.load(fp)
self.images.append(self.image(data, num))
for shapes in data[‘shapes’]:
print("label is ")
print(shapes[‘label’])
label = shapes[‘label’]
if label[1] not in self.label:
if label not in self.label:
print("find new category: ")
self.categories.append(self.categorie(label))
print(self.categories)
self.label.append(label[1])
self.label.append(label)
points = shapes[‘points’]
self.annotations.append(self.annotation(points, label, num))
self.annID += 1
def image(self, data, num):
image = {}
img = utils.img_b64_to_arr(data[‘imageData’])
height, width = img.shape[:2]
img = None
image[‘height’] = height
image[‘width’] = width
image[‘id’] = num + 1
image[‘file_name’] = data[‘imagePath’].split(‘/’)[-1]
self.height = height
self.width = width
return image
def categorie(self, label):
categorie = {}
categorie[‘supercategory’] = label
categorie[‘supercategory’] = label
categorie[‘id’] = labels[label] # 0 默认为背景
categorie[‘name’] = label
return categorie
def annotation(self, points, label, num):
annotation = {}
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/SparseRCNN/datasets/coco/annotations”):
os.makedirs(“projects/SparseRCNN/datasets/coco/annotations/”)
if not os.path.exists(“projects/SparseRCNN/datasets/coco/train2017”):
os.makedirs(“projects/SparseRCNN/datasets/coco/train2017”)
if not os.path.exists(“projects/SparseRCNN/datasets/coco/val2017”):
os.makedirs(“projects/SparseRCNN/datasets/coco/val2017”)
labelme2coco(trainval_files, ‘projects/SparseRCNN/datasets/coco/annotations/instances_train2017.json’)
labelme2coco(test_files, ‘projects/SparseRCNN/datasets/coco/annotations/instances_val2017.json’)
import shutil
for file in trainval_files:
shutil.copy(os.path.splitext(file)[0] + “.jpg”, “projects/SparseRCNN/datasets/coco/train2017/”)
for file in test_files:
shutil.copy(os.path.splitext(file)[0] + “.jpg”, “projects/SparseRCNN/datasets/coco/val2017/”)
===================================================================
在projects/SparseRCNN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(‘r50_100pro_3x_model.pth’)
pretrained_weights[“head.head_series.0.class_logits.weight”].resize_(num_class,256)
pretrained_weights[“head.head_series.0.class_logits.bias”].resize_(num_class)
pretrained_weights[“head.head_series.1.class_logits.weight”].resize_(num_class,256)
pretrained_weights[“head.head_series.1.class_logits.bias”].resize_(num_class)
pretrained_weights[“head.head_series.2.class_logits.weight”].resize_(num_class,256)
pretrained_weights[“head.head_series.2.class_logits.bias”].resize_(num_class)
pretrained_weights[“head.head_series.3.class_logits.weight”].resize_(num_class,256)
pretrained_weights[“head.head_series.3.class_logits.bias”].resize_(num_class)
pretrained_weights[“head.head_series.4.class_logits.weight”].resize_(num_class,256)
pretrained_weights[“head.head_series.4.class_logits.bias”].resize_(num_class)
pretrained_weights[“head.head_series.5.class_logits.weight”].resize_(num_class,256)
pretrained_weights[“head.head_series.5.class_logits.bias”].resize_(num_class)
torch.save(pretrained_weights, “model_%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，SparseRCNN的模型配置文件放在“projects/SparseRCNN/configs”下面。名字和预训练模型对应。
parser.add_argument(“–config-file”, default=“./configs/sparsercnn.res50.100pro.3x.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/SparseRCNN/config.py”，
cfg.MODEL.SparseRCNN.NUM_CLASSES = 2
修改yaml文件参数
sparsercnn.res50.100pro.3x.yaml中修改预训练模型的路径。
WEIGHTS: “model_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
IMS_PER_BATCH：batchsize的大小，根据显存大小设置。
NUM_CLASSES：数据集中物体类别的种类。
NUM_PROPOSALS：提议框的个数。
BASE_LR: 0.00025 #在Base-SparseRCNN.yaml中
IMS_PER_BATCH: 2#在Base-SparseRCNN.yaml中
NUM_CLASSES：2
STEPS: (21000, 25000)
MAX_ITER: 54000
CHECKPOINT_PERIOD: 5000
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_sparsercnn_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.SparseRCNN.NUM_CLASSES = NUM_CLASSES
cfg.MODEL.ROI_HEADS.NUM_CLASSES=NUM_CLASSES
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/SparseRCNN/”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，和CenterNet2的结果相差不大，不过模型很大，大约有1.2G，比CenterNet2的模型大了一倍多。
===============================================================
修改demo/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()
from projects.SparseRCNN.sparsercnn import add_sparsercnn_config
add_sparsercnn_config(cfg)
cfg.MODEL.SparseRCNN.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
cfg.MODEL.PANOPTIC_FPN.COMBINE.INSTANCES_CONFIDENCE_THRESH = args.confidence_threshold
cfg.freeze()
return cfg
在demo/predictor.py
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
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！
扫一扫
4147
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
