Detectron2官方文档翻译（二）

开始使用Detectron2

        本文档简要介绍detectron2中内置命令行工具的用法。

        有关使用API进行实际编码的教程，请参阅我们的Colab笔记本，其中介绍了如何使用现有模型运行推理，以及如何在自定义数据集上训练内置模型。

        （https://colab.research.google.com/drive/16jcaJoc6bCFAQ96jDe2HwtXj7BMD_-m5）

使用预训练模型推理演示

        1、在模型集里选择一个模型和它的config文件，例如，mask_rcnn_R_50_FPN_3x.yaml

        （https://github.com/facebookresearch/detectron2/blob/master/MODEL_ZOO.md）

        2、我们提供了demo.py文件，它能够演示内置配置，使用以下命令运行：

cd demo/
python demo.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input input1.jpg input2.jpg --other-options --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

        其中configs用于训练，在模型集中为模型指定MODEL.WEIGHTS用于进行赋值。这个命令会运行推理过程并用OpenCV窗口显示可视化效果。

        其它关于命令行参数的细节，使用demo.py -h或者查看源代码理解它的原理，一些公共的参数是：

        使用摄像头运行，用--webcam替换--input files

        对视频进行检测，用--video-input video.mp4替换--input files

        在cpu上运行，在--opts后面加上MODEL.DEVICE cpu

        将输出保存到文件目录中（用于图像保存）或者是一个文件（用于摄像头或视频），使用--output参数

在命令行中训练与评估

        我们提供了两个脚本文件“tools/plain_train_net.py”和 “tools/train_net.py”,它们被用于训练所有detectron2中提供的configs模型。你可能需要把它们作为编写你自己的训练脚本的参考。

        与train_net.py相比，plain_train_net.py支持较少的默认功能，它包含更少的抽象，因此可以更容易添加自定义的逻辑。

        使用train_net.py训练模型，首先根据datasets/README.md设置相应的数据集，然后运行：

d tools/
./train_net.py --num-gpus 8 --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml

        这个配置是用于8个gpu训练的，要在1个gpu上训练，需要修改一些参数，例如：

./train_net.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml --num-gpus 1 SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025

        要评估模型的性能，使用：

./train_net.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml --eval-only MODEL.WEIGHTS /path/to/checkpoint_file

        对于更多的选项，查看./train.py -h

在你的代码中使用Detectron2 APIs

        通过查看我们的Colab Notebook来学习如何使用Detectron2 APIs

                1、使用已经存在的模型进行推理

                2、在自定义的数据集上训练内置的模型

        查看detectron2/projects学习更多的方法在detectron2上创建你自己的项目。

        （https://github.com/facebookresearch/detectron2/tree/master/projects）