GroundingDINO运行教程

1. 从 GitHub 克隆 GroundingDINO 存储库。

git clone https://github.com/IDEA-Research/GroundingDINO.git

2. 将当前目录更改为 GroundingDINO 文件夹。

cd GroundingDINO/

3. 在当前目录中安装所需的依赖项。

pip install -e .

4. 下载预先训练的模型权重。

mkdir weights

cd weights

wget -q https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth

cd ..

5.新建一个python文件 test.py，填写以下代码

from groundingdino.util.inference import load_model, load_image, predict, annotate
import cv2

model = load_model("./groundingdino/config/GroundingDINO_SwinT_OGC.py", "./weights/groundingdino_swint_ogc.pth")
IMAGE_PATH = "./.asset/cat_dog.jpeg"
TEXT_PROMPT = "chair . person . dog ."
BOX_TRESHOLD = 0.35
TEXT_TRESHOLD = 0.25

image_source, image = load_image(IMAGE_PATH)

boxes, logits, phrases = predict(
    model=model,
    image=image,
    caption=TEXT_PROMPT,
    box_threshold=BOX_TRESHOLD,
    text_threshold=TEXT_TRESHOLD
)

annotated_frame = annotate(image_source=image_source, boxes=boxes, logits=logits, phrases=phrases)
cv2.imwrite("annotated_image.jpg", annotated_frame)

6. 终端运行python test.py，生成annotated_image.jpg文件

报错：

解决办法：配置正确版本的cuda

解决办法：由于服务器不能科学上网，所以不能在线下载bert预训练模型，在项目根目录运行 git clone https://huggingface.co/bert-base-uncased ，更改groundingdino/util/get_tokenlizer.py代码

from transformers import AutoTokenizer, BertModel, BertTokenizer, RobertaModel, RobertaTokenizerFast
import os

# 获取指定文本编码器类型的分词器
def get_tokenlizer(text_encoder_type, local_files_only=True):
    # 检查text_encoder_type是否为字符串
    if not isinstance(text_encoder_type, str):
        # 如果不是字符串，尝试从对象中获取text_encoder_type属性
        if hasattr(text_encoder_type, "text_encoder_type"):
            text_encoder_type = text_encoder_type.text_encoder_type
        # 如果字典中存在"text_encoder_type"键，则从字典中获取
        elif text_encoder_type.get("text_encoder_type", False):
            text_encoder_type = text_encoder_type.get("text_encoder_type")
        # 如果是目录且存在，则保持不变
        elif os.path.isdir(text_encoder_type) and os.path.exists(text_encoder_type):
            pass
        else:
            # 如果无法确定text_encoder_type类型，则引发错误
            raise ValueError(
                "Unknown type of text_encoder_type: {}".format(type(text_encoder_type))
            )
    print("final text_encoder_type: {}".format(text_encoder_type))

    # 使用transformers库中的AutoTokenizer根据text_encoder_type加载分词器
    tokenizer = AutoTokenizer.from_pretrained(text_encoder_type, local_files_only=local_files_only)
    return tokenizer

# 获取指定预训练语言模型的模型实例
def get_pretrained_language_model(text_encoder_type, local_files_only=True):
    # 根据text_encoder_type选择合适的预训练语言模型
    if text_encoder_type == "bert-base-uncased" or (os.path.isdir(text_encoder_type) and os.path.exists(text_encoder_type)):
        # 如果是BERT模型，则使用BertModel加载
        return BertModel.from_pretrained(text_encoder_type, local_files_only=local_files_only)
    elif text_encoder_type == "roberta-base":
        # 如果是RoBERTa模型，则使用RobertaModel加载
        return RobertaModel.from_pretrained(text_encoder_type, local_files_only=local_files_only)

    # 如果text_encoder_type不是已知的模型类型，则引发错误
    raise ValueError("Unknown text_encoder_type {}".format(text_encoder_type))

解决警告：到报警告的代码上，更改代码为 return _VF.meshgrid(tensors, **kwargs, indexing="ij")

还有两个警告没有解决，但是不影响程序运行，还有下面的问题 ，我没遇到过 ，但是也注意一下

后续会出这篇论文的详解和训练代码和教程.......请关注一下