Detectron2安装测试

最新推荐文章于 2024-03-19 20:08:31 发布
最新推荐文章于 2024-03-19 20:08:31 发布
阅读量1.9w 收藏 133
点赞数 13
分类专栏： Detectron2 文章标签： detectron2 安装 测试 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/happyday_d/article/details/103484213/
版权

Detectron2安装测试

Detectron2是FAIR开源的基于Pytorch1.3.1的目标检测算法实现.

Detectron2-github

1.Detectron2安装

1.1 安装配置基本环境

可参考项目中的Installtion

  • conda create -n detectron2 python=3.7
  • conda activate detectron2
  • PyTorch 1.3
  • torchvision版本需要和pytorch的版本相适应，可参考 pytorch.org 安装。conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
  • OpenCV, Demo和显示时需要使用， pip install opencv-python
  • fvcore: pip install 'git+https://github.com/facebookresearch/fvcore'
  • pycocotools: pip install cython; pip install 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'
  • GCC >= 4.9

注意：conda安装添加清华源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --set show_channel_urls yes

1.2 检测coda是否正确安装

运行如下代码，检查cuda安装是否正确

python -c 'import torch; from torch.utils.cpp_extension import CUDA_HOME; print(torch.cuda.is_available(), CUDA_HOME)'

输出：true /usr/local/cuda，我用的是 cuda10.1

如不是上述输出结果，查看.bashrc环境变量设置是否正确，如下设置：

# vim ~/.bashrc
export CUDA_HOME=/usr/local/cuda
export PATH=$PATH:/usr/local/cuda/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/lib
export LIBRARY_PATH=$LIBRARY_PATH:/usr/local/cuda/lib64

source .bashrc 使设置的环境变量生效

1.3 detectron2 安装：

git clone https://github.com/facebookresearch/detectron2.git
cd detectron2
python setup.py build develop

2.Detectron2测试

2.1 目标检测

模型提前下载好，存在目录下

python demo/demo.py  \
    --config-file /home/**/project/detectron2/configs/COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml \
    --input ceshi/test.jpg --output outputs/ \
    --opts MODEL.WEIGHTS '/home/**/project/detectron2/pre_train_model/COCO-Detection/faster_rcnn_R_50_FPN_1x/137257794/model_final_b275ba.pkl'

在这里插入图片描述在CPU环境下配置好环境也可以进行测试，可参考Detectron2在CPU上执行出现“ Torch not compiled with CUDA enabled”的错误

2.2 实例分割

eg1:

python demo/demo.py  \
    --config-file /home/**/project/detectron2/configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \
    --input ceshi/test.jpg --output outputs/ \
    --opts MODEL.WEIGHTS '/home/**/project/detectron2/pre_train_model/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl'

在这里插入图片描述

eg2:

import numpy as np
import cv2 as cv
from PIL import Image
#from matplotlib import pyplot
import matplotlib.pyplot as plt
import random
#from google.colab.patches import cv2_imshow

import detectron2
from detectron2.utils.logger import setup_logger
setup_logger()

from detectron2.engine import DefaultPredictor
from detectron2.config import get_cfg
from detectron2.utils.visualizer import Visualizer
from detectron2.data import MetadataCatalog
#下载图片
#wget http://images.cocodataset.org/val2017/000000439715.jpg -O input.jpg
im = cv.imread("/home/**/project/detectron2/ceshi/input.jpg")

cfg = get_cfg()
cfg.merge_from_file("/home/**/project/detectron2/configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml")
cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.5  #模型阈值
#cfg.MODEL.WEIGHTS = "./COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl"
cfg.MODEL.WEIGHTS = "/home/**/project/detectron2/pre_train_model/model_final_f10217.pkl"
predictor = DefaultPredictor(cfg)
outputs = predictor(im)

pred_classes = outputs["instances"].pred_classes
pred_boxes = outputs["instances"].pred_boxes

#在原图上画出检测结果
v = Visualizer(im[:, :, ::-1], MetadataCatalog.get(cfg.DATASETS.TRAIN[0]), scale=1.2)
v = v.draw_instance_predictions(outputs["instances"].to("cpu"))
plt.figure(2)
plt.imshow(v.get_image())
plt.show()

在这里插入图片描述
2.3 关键点检测

eg1:

python demo/demo.py  \
    --config-file /home/**/project/detectron2/configs/COCO-Keypoints/keypoint_rcnn_R_50_FPN_3x.yaml \
    --input ceshi/test.jpg ceshi/test1.jpg ceshi/test2.jpg --output outputs/ \
    --opts MODEL.WEIGHTS '/home/**/project/detectron2/pre_train_model/COCO-Keypoints/keypoint_rcnn_R_50_FPN_3x/137849621/model_final_a6e10b.pkl'

在这里插入图片描述

eg2:

import numpy as np
import cv2 as cv
from PIL import Image
#from matplotlib import pyplot
import matplotlib.pyplot as plt
import random
#from google.colab.patches import cv2_imshow

import detectron2
from detectron2.utils.logger import setup_logger
setup_logger()

from detectron2.engine import DefaultPredictor
from detectron2.config import get_cfg
from detectron2.utils.visualizer import Visualizer
from detectron2.data import MetadataCatalog

im = cv.imread("/home/**/project/detectron2/ceshi/input.jpg")

cfg = get_cfg()
cfg.merge_from_file("/home/**/project/detectron2/configs/COCO-Keypoints/keypoint_rcnn_R_50_FPN_3x.yaml")
cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.5  #模型阈值
#cfg.MODEL.WEIGHTS = "./COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl"
cfg.MODEL.WEIGHTS = "/home/**/project/detectron2/pre_train_model/COCO-Keypoints/keypoint_rcnn_R_50_FPN_3x/137849621/model_final_a6e10b.pkl"
predictor = DefaultPredictor(cfg)
outputs = predictor(im)

pred_classes = outputs["instances"].pred_classes
pred_boxes = outputs["instances"].pred_boxes

#在原图上画出检测结果
v = Visualizer(im[:, :, ::-1], MetadataCatalog.get(cfg.DATASETS.TRAIN[0]), scale=1.2)
v = v.draw_instance_predictions(outputs["instances"].to("cpu"))
plt.figure(2)
#plt.imshow(v.get_image()[:, :, ::-1])
plt.imshow(v.get_image())
plt.show()

在这里插入图片描述

2.4 全景分割

eg1:

python demo/demo.py  \
    --config-file /home/**/project/detectron2/configs/COCO-PanopticSegmentation/panoptic_fpn_R_101_3x.yaml \
    --input ceshi/test.jpg ceshi/test1.jpg ceshi/test2.jpg --output outputs/ \
    --opts MODEL.WEIGHTS '/home/**/project/detectron2/pre_train_model/COCO-PanopticSegmentation/panoptic_fpn_R_101_3x/139514519/model_final_cafdb1.pkl'

在这里插入图片描述

eg2:

import numpy as np
import cv2 as cv
from PIL import Image
#from matplotlib import pyplot
import matplotlib.pyplot as plt
import random
#from google.colab.patches import cv2_imshow

import detectron2
from detectron2.utils.logger import setup_logger
setup_logger()

from detectron2.engine import DefaultPredictor
from detectron2.config import get_cfg
from detectron2.utils.visualizer import Visualizer
from detectron2.data import MetadataCatalog

im = cv.imread("/home/**/project/detectron2/ceshi/input.jpg")

cfg = get_cfg()
cfg.merge_from_file("/home/**/project/detectron2/configs/COCO-PanopticSegmentation/panoptic_fpn_R_101_3x.yaml")
cfg.MODEL.WEIGHTS = "/home/**/project/detectron2/pre_train_model/COCO-PanopticSegmentation/panoptic_fpn_R_101_3x/139514519/model_final_cafdb1.pkl"
predictor = DefaultPredictor(cfg)
panoptic_seg, segments_info = predictor(im)["panoptic_seg"]
v = Visualizer(im[:, :, ::-1], MetadataCatalog.get(cfg.DATASETS.TRAIN[0]), scale=1.2)
v = v.draw_panoptic_seg_predictions(panoptic_seg.to("cpu"), segments_info)
plt.imshow(v.get_image())
plt.show()

在这里插入图片描述

3.感谢

  1. https://github.com/facebookresearch/detectron2/blob/master/INSTALL.md

  2. https://www.aiuai.cn/aifarm1288.html#1.detectron2%E5%AE%89%E8%A3%85

如有错误，请指教。

NH558J0
关注
  • 13
    点赞
  • 踩
  • 133
    收藏
    觉得还不错? 一键收藏
  • 35
    评论
专栏目录
pytorch-faster-rcnn：pytorch1.0已更新。 支持CPU测试和演示。 （使用detectron2，这是一个杰作）
02-22
公告（2019.11.2） 此仓库是两年前建立的，当时还没有可以实现合理性能的pytorch检测实现。 目前，有许多更好的存储库，例如： （这是一个杰作。） 因此，将不会积极维护此仓库。 重要通知： 如果您在2017年9月26日之前使用master分支及其相应的预训练模型，请注意：现在，旧的master分支位于old_master下，您仍然可以运行代码并下载预训练的模型，但是该旧master的预训练模型与当前的主站不兼容！ 新老master分支之间的主要区别在于这两个提交： ， 更改与该； master现在匹配中的所有细节，因此我们现在可以将预训练的tf模型转换为pytorch模型。 pytorch-faster-rcnn 基于Chenxinlei Chen的的pyrc的快速RCNN检测框架。 Chen Xinlei Chen的存储库基于提供的更快RCNN的python Ca
Detectron详细安装教程
10-31
Detectron是Facebook AI研究院(FAIR)于2018年初公开的目前为止业内最佳水平的目标检测平台。据介绍，该项目自 2016 年 7 月启动，构建于 Caffe2 之上，目前支持大量机器学习算法，其中包括 Mask R-CNN（何恺明的研究，ICCV 2017 最佳论文）和 Focal Loss for Dense Object Detection，（ICCV 2017 最佳学生论文）。Facebook 称，该工具包已被应用与公司内部很多团队应用于各类应用中，一旦训练完成，这些计算机视觉模型可被部署在云端或移动设备上。 该工具的开源对于研究目标检测的朋友来说有极大的帮助，可以帮助他们利用最先进的深度学习目标检测技术快速构建自己的模型和应用，也可在其上开展进一步的研究，无论从工程上还是从学术研究上都有较大的参考价值。
笔记:detectron2安装
最新发布
weixin_54592154的博客
03-19 175
之前有过一次报错，应该是GCC版本问题，可选择将GCC降级，降到合适版本，也可以选择直接预安装。教程很多，但难点在于试合适的环境，试了几次环境终于安装成功了，给我的电脑记一下。环境：CUDA10.2 Python3.8 Ubuntu 18.04。，直接按照环境选择合适的代码粘贴进去安装，但感觉源码安装会更好点。3、安装opencv、cython、pycocotools。（选择CUDA10.2的代码）4、安装detectron2。1、conda建环境。
Windows11下安装detectron2超详细教程（免修改版本）（不用进行修改代码）
CaiGuoHui1的博客
03-05 2275
Windows11下安装detectron2超详细教程（免修改版本）（不用进行修改代码）
【目标检测】Detectron2环境配置与安装
热门推荐
我是大阿周的学习博客
12-27 1万+
Detectron2环境配置与安装1. 系统与GPU2. 软件与平台3. 环境配置创建并激活detectron2环境安装pytorch、torchvision、cudatoolkit安装Opencv安装cython安装pycocotools4. detectron2安装数据集准备Detectron2测试参考资料 1. 系统与GPU Ubuntu系统 (16.04) 英伟达显卡P2000 2. 软件与平台 环境管理软件：Anaconda 代码调试软件：Pycharm 物体检测平台：Detectron2
Detectron2小白教程之安装试用篇
meihualing的专栏
04-15 1445
detectron2安装试用
Detectron2安装与测试
爱唱歌的卡卡西的博客
06-24 1858
刚刚接触detectron2框架，总的来讲该框架由Facebook开源，质量还是非常不错的，值得学习。今天就对安装和测试遇到的一些问题进行整理和总结。
detectron2检测
heroacool的专栏
06-23 220
detectron2训练自有数据做检测
Detectron2安装
整天都在摸鱼鱼
11-07 1万+
Detectron2安装 detectron2 是Facebook开源的CV库，源码和使用方法访问git链接，本文只总结安装方法和Colab的Demo演示。 环境要求(Requirements)： python >= 3.6 PyTorch 1.3，torchvision 能跟torch匹配 (其他版本没有试过，1.3和1.1版本有一些函数变化，没有实际用过) Openc...
Detectron2 安装（ubuntu 18.04.6 LTS)
zhuguiqin1的专栏
03-02 2336
本文参考https://detectron2.readthedocs.io/en/latest/tutorials/install.html conda create -n maskrcnn pip python==3.7 执行这个命令，由于之前设置了conda的清华安装源，结果命令卡住了，然后参考这个链接https://zhuanlan.zhihu.com/p/378258193 用这个命令“conda config --remove-key channels” 将安装源命令设置成了default值 c
detectron2.zip
07-30
安装detectron2所需要的一些库，
detectron2官方代码
04-17
直接下载文件，使用README安装即可，解压到本地以后使用pycharm2021.3打开setup.py然后进行自动安装如果报错，可以查看我的安装教程
detectron2-maskrcnn
04-10
detectron2训练自己的图像集
detectron2 cuda编译源文件适合windows系统
06-22
detectron2 cuda编译源文件，适合windows系统。新版的更新后被作者改坏了，在windows上无法完成编译，导致不能运行。
detectron2安装及微软最新state of the art目标检测模型DynamicHead训练自己数据全程指南
01-10
独家dynamichead训练自有数据教程
detectron2win10配置.docx
12-17
windows10下配置detectron2, 不方便装ubuntu的同学可以试试。系统配置，cuda10.1, pytorch, fvcore, cocoapi, vs2019下需要修改一些代码
detectron2：detectron2 Windows构建
02-06
的PyTorch安装相匹配。 您可以在它们安装在一起以确保这一点。 演示和可视化所需的OpenCV ： pip install git+https://github.com/facebookresearch/fvcore pycocotools： pip install cython; pip install git+...
detectron2
03-10
阅读文档： 从该目录构建的最新文档可在。... 根据安装detectron2。 安装构建文档所需的其他库： docutils == 0.16 狮身人面像== 3.0.0 recommonmark == 0.6.0 sphinx_rtd_theme 嘲笑 从该目录运行make html 。
detectron2 安装
10-19
detectron2＊＊＊觉库，它提供了许多先进的物体检测、实例分割和姿态估计算法。下面是detectron2的安装方法： 1. 准备工作：安装Anaconda或Miniconda，创建一个新的conda环境。 2. 安装依赖：在conda环境中安装PyTorch、torchvision、COCO API和其他必要的依赖项。 3. 安装detectron2：根据自己的PyTorch和CUDA版本选择对应的detectron2版本进行安装。 4. 运行demo.py进行测试：在安装完成后，可以运行detectron2自带的demo.py文件进行测试。 具体的安装步骤可以参考上面提供的引用内容。如果您遇到了问题，可以在相关论坛或社区中寻求帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 35
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值