44、使用OrienMask进行实例分割目标检测，并进行mnn部署和ncnn部署

sxj731533730

已于 2023-01-05 15:21:00 修改

阅读量1.6k

点赞数

分类专栏： Python基础知识文章标签： mnn 人工智能深度学习

于 2022-07-02 12:32:17 首次发布

本文链接：https://blog.csdn.net/sxj731533730/article/details/125571452

版权

Python基础知识专栏收录该内容

64 篇文章 0 订阅 ¥299.90 ¥399.90

订阅专栏

超级会员免费看

本文介绍了使用OrienMask进行实例分割目标检测，并将其部署到MNN和NCNN平台的过程。详细阐述了从PT模型转换到ONNX，再到NCNN和MNN的转换步骤，包括环境配置、代码修改、后处理逻辑优化以及C++代码实现。最终实现了对MMDetection demo图的识别，并记录了不同阶段的推理时间。

摘要由CSDN通过智能技术生成

基本思想：在正好空闲期６月底，有实现实现自己的小理想，搞一个实例分割的部署，查找了几篇论文，测试了一下yolact效果和orienmask效果，其实之前一致想学习实例分割的原理，因为东家使用的videomatting人像分割效果并不理想，总是白色衣服和背景分裂的太严重，模型转换到c++是相当复杂，逐想搞个实例分割模型使用，正好有需求，就开始着手写。

模型路径链接: https://pan.baidu.com/s/1W0mP2VLwoKqV5aOkuL-a3w 提取码: jvl7

第一步：下载代码进行训练，根据install.md配置环境

ubuntu@ubuntu:~/Downloads$ git clone https://github.com/duwt/OrienMask.git
Cloning into 'OrienMask'...
remote: Enumerating objects: 81, done.
remote: Counting objects: 100% (81/81), done.
remote: Compressing objects: 100% (71/71), done.
remote: Total 81 (delta 11), reused 78 (delta 8), pack-reused 0
Unpacking objects: 100% (81/81), 772.21 KiB | 1.58 MiB/s, done.