Mask-Rcnn训练细节的说明

最新推荐文章于 2021-08-31 21:24:23 发布
最新推荐文章于 2021-08-31 21:24:23 发布
阅读量1.2k 收藏 1
点赞数
分类专栏： Mask
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/uvgogo/article/details/86509567
版权

1.参数的设置(only for C4)

训练过程

参数名数值参数名数值

Width and Height

of Images

800

mini-batch per

GPU

2
sampled RoIs60(P:N 1:3)learning rate0.01
decay steps 
[0,100000,180000]
weight decay0.0001
momentum0.9

numbers

of images

80K

test过程

参数名数值参数名数值

the proposal 

number

300

NMS

numbers

100
  

numbers

of images

35K
    
    

 

uvgogo
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
使用Mask-RCNN训练自己的数据集
FL1768317420的博客
04-03 1447
等基于神经网络的算法都是基于数据驱动的，数据的好坏会影响你最后生成的模型的好坏，在使用Mask-RCNN时，第一件事就是标注数据集，这里我们默认你已经配置好了anaconda的环境，如果你没有配置好可以参考一下其他人的。现在的.json包含了我们标注的信息，但是还不是可以让代码直接读取的数据格式，对于不同的深度学习代码，数据存放的格式要根据不同代码的写法来定，下面以上述的。2、修改train_test.py的121行，将原有的注释掉，有多少类别就重新写多少行，每行第二个参数是序号，第三个参数是类别名。
maskRcnn 参数
huangli19870217的专栏
09-02 2689
model { faster_rcnn { num_classes: 3 //获取要识别的类数 image_resizer { keep_aspect_ratio_resizer { min_dimension: 128 //最小的图片像素 max_dimension: 1024 //最大的图片像素 } } feature_extractor { // 特征提取的配置 type: "faster.
Mask rcnn训练集（自制）
12-18
资源为本人工作时使用到的数据 包括四个文件夹cv2_mask、json、labelme_json和pic 可以直接应用于mask rcnn 源码，这里不做多余的解释 由于上传限制，只上传了部分样本 如果想交流学习心得或不明白的位置，可以私信我。
超详细！使用Mask R-CNN训练自己的数据过程记录
weixin_44826203的博客
04-23 2万+
超详细！使用Mask R-CNN训练自己的数据过程记录0 感谢1 环境和源码2 数据集的制作2.1 使用labelme对数据进行标注2.2 将json文件转换为模型需要的mask文件2.3 将数据整理成模型认可的形式3. 开始训练3.1 下载预训练权重文件3.2 训练脚本4. 效果测试4.1 tensorboard可视化4.2 分割结果可视化展示 0 感谢 本文主要参考了博客https://blo...
maskrcnn-benchmark-master（一）：配置文件
foolishpeng的博客
07-27 1162
一、配置文件 maskrcnn-benckmark-master是提供有默认的配置的，见文件:your_project/maskrcnn_benckmark/config/defaults.py import os # 通过yacs包来生成的默认配置 from yacs.config import CfgNode as CN _C = CN() _C.MODEL = CN() # 表示是否只有RPN _C.MODEL.RPN_ONLY = False # 表示是否含有Mask分支 _C...
Mask rcnn调参
lt1103725556的博客
06-16 3174
1.学习率 我是设的0.001 2.训练轮数 如果是之前训好的模型，那么20/40，训到loss降到0.6左右应该比较合适 3.MIN_DIM，短边的长度，我这里是用的原图训，就960了，长边1280，要求能整除64 4.TRAIN_ROIS_PER_IMAGES。这个比较关键，训练和测试不一样。这个值是指提取的ROI的数量，也就是候选框的数量，最好先大概看一下一张图上有多少个目标，然后x3。如果训练用了crop，则训练和测试这个参数要做对应调整 5.IMAGE_RESIZE_MODE,一般用默认的“squ
Mask RCNN使用及实现详解（5）
qq_39210987的博客
08-31 1794
模型的输入与数据加载 1、 模型输入 从模型的训练与预测中可以看到实际创建的模型是一个名为MaskRCNN的类相关代码片段如下： 训练创建模型的代码 预测创建模型的代码 这个类的初始化方法如下： def __init__(self, mode, config, model_dir): """ mode: Either "training" or "inference" config: A Sub-class of the Config class model_dir: D
mask-rcnn.pdf
10-17
这种设计使得Mask R-CNN易于训练，并且只增加了少量的计算开销（约5帧/秒）。此外，Mask R-CNN还易于扩展到其他任务，例如在同一框架内估计人体姿态。 Mask R-CNN在COCO数据集上的三个挑战中均取得了最佳结果：实例...
mask-rcnn分割模型
03-30
1. **损失函数**：Mask R-CNN的训练涉及多个损失函数，包括分类损失（Cross-Entropy Loss）、边界框回归损失（Smooth L1 Loss）以及掩模损失（Binary Cross-Entropy Loss）。掩模损失通常在像素级别计算，确保掩模的...
Mask-RCNN-series:本系列我们将使用Mask RCNN
05-03
在提供的压缩包文件"Mask-RCNN-series-master"中，可能包含了实现Mask R-CNN的源代码、预训练模型、数据集和相关的脚本。用户可以通过阅读源代码，理解并学习如何应用Mask R-CNN到实际项目中，也可以根据需要对模型...
opencv-maskrcnn效果测试.rar
12-17
基于OPENCV4DNN的MASK-RCNN效果测试，无源码，仅供测试效果，拒绝伸手党，有兴趣可以一起改进效果，速度有点慢，要在GPU电脑上速度较快
simple-faster-rcnn-pytorch_simple-faster-rcnn-_rcnnpytorch代码_pyt
09-11
本文将围绕基于PyTorch实现的简单版Faster R-CNN进行深入探讨，帮助读者理解其工作原理和实现细节。 Faster R-CNN的核心创新在于引入了Region Proposal Network (RPN)，它与主网络共享卷积层，同时生成候选框和分类...
mask rcnn训练自己的数据集
热门推荐
qq_29462849的博客
07-13 12万+
前言 最近迷上了mask rcnn，也是由于自己工作需要吧，特意研究了其源代码，并基于自己的数据进行训练~ 本博客参考https://blog.csdn.net/disiwei1012/article/details/79928679#commentsedit 实验目的 哎~说多了都是泪，谁让我是工科生呢？只能检测工件了。。。做不了高大上的东西了，哈哈 主要参考及工具...
maskrcnn标记自己的数据集最全攻略
weixin_40003920的博客
10-28 4697
NVIDIA显卡驱动+CUDA+CUDNN GPU平台搭建。 （备注：cuda cudnn的版本一定要对应正确） 在github https://github.com/matterport/Mask_RCNN上下载maskrcnn源码。要求：python3以上，keras， tensorflow深度学习框架，在ubuntu下可以用 sudo pip3 install keras （pip3 in...
py-faster-rcnn中调参体会
Snoopy_Dream
05-02 4552
config.py的参数有 目录 AnchorTargetCreator(RPN开头)： ProposalCreator(RPN开头)： ProposalTargetCreator： AnchorTargetCreator(RPN开头)： AnchorTargetCreator将 20000 多个候选的 anchor 选出 256 个 anchor 进行分类和回归位置。 RPN...
mask_rcnn的改进
lanyuxuan100的博客
01-08 1万+
原本mask-rcnn是在faster_rcnn的检测分支基础上，并行的增加一个分割分支，对ROI align的特征图分别进行检测与分割，如下图所示： 这样其实训练时候会很慢，而且对同样的ROI使用同一个ROI align没有分开使用ROI align训练速度快，如下图所示： 另外，faster_rcnn中送给ROI align的候选区域数量很多，一般有100-300不等，这样其实需要
Mask_RCNN-master的训练步骤
liulina603的专栏
09-13 617
参考网站https://blog.csdn.net/qq_29462849/article/details/81037343 248 上 Mask_RCNN-master的训练步骤，它是基于tensorflow 的 项目位于：/home/huoo/tensorflow-api-liulina/Mask_RCNN-master 标注工具：labeme 本文采用的是COCO数据...
用Mask-RCNN训练自定义大小的数据集
简简单单
08-17 7841
Mask-RCNN自动获取训练集中图像的长度和宽度，然后用于训练。 一、目前情况 用Mask-RCNN训练自己的数据集时，需要制定图片的长度和宽度，即 IMAGE_MIN_DIM = 448 IMAGE_MAX_DIM = 640 而在Mask_RCNN/mrcnn目录下model.py文件中第1815行到1819行代码 h, w = config.IMAGE_SH...
销售指标完成对比图.xlsx
最新发布
08-05
销售管理表，财务报表，占比分析，消费能力分析，日程安排，提成表，考核表 适用人群：学习不同技术领域的小白或进阶学习者；可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。
maskrcnn训练流程图
09-02
很抱歉，我无法生成并展示流程图。但是，我可以为您提供一个文字描述的Mask R-CNN训练流程。 1. 数据准备：收集并标注训练数据集，包括图像和相应的目标实例的标注信息（例如边界框和实例掩码）。 2. 预训练模型：使用预训练的卷积神经网络（如ResNet或VGGNet）初始化Mask R-CNN模型。 3. 特征提取：通过前向传递将图像输入到网络中，提取图像特征。 4. 区域建议网络（Region Proposal Network, RPN）：使用RPN生成候选目标区域，这些区域可能包含目标实例。 5. 区域分类和边界框回归：对于每个候选区域，Mask R-CNN执行区域分类（判断属于哪个类别）和边界框回归（调整边界框的位置）。 6. ROI池化：将每个候选区域裁剪为固定大小，并将其用作ROI池化层的输入。 7. 分类网络和边界框回归网络：对于每个候选区域，通过两个全连接层进行分类和边界框回归。 8. 掩码生成：对于每个候选区域，使用全连接层生成二进制掩码，表示目标实例的精确位置。 9. 损失计算：计算区域分类损失、边界框回归损失和掩码损失。 10. 反向传播：将损失反向传播回网络，更新网络的权重参数。 11. 重复训练：重复步骤3到10，使用训练数据迭代训练网络。 12. 推理阶段：在测试图像上运行训练好的模型，生成预测结果。 请注意，以上只是Mask R-CNN训练的一般流程，具体的实施细节可能会根据具体的应用场景和数据集而有所区别。
评论 1
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