本文章简要介绍了detectron2中内置命令行工具的用法。
有关涉及使用API进行编程操作的教程,请参阅我们的Colab Notebook(https://urlify.cn/FFn26r) ,其中涵盖了如何对现有模型进行推断,以及如何在自定义数据集上训练内置模型。
有关更高级的教程,请参阅我们的文档(https://detectron2.readthedocs.io/tutorials/extend.html)。
预训练模型的推理演示
从模型Zoo(https://urlify.cn/qeeMJz) 中选择一个模型及其配置文件 ,例如mask_rcnn_R_50_FPN_3x.yaml
。我们提供demo.py
样例能够运行内置标准模型的工具。使用以下命令运行它:
python demo/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
这些配置是为了进行训练而设计的,因此我们需要指定来自model zoo模型中的MODEL.WEIGHTS
来进行评估。此命令将运行推断并在OpenCV窗口中显示可视化效果。
有关命令行参数的详细信息,请参阅demo.py -h
或查看其源代码以了解其相关信息。一些常见的参数是:
要在你的网络摄像头上运行,请把
--input files
替换为--webcam
要播放视频,请把
--input files
替换为--video-input video.mp4
要在cpu上运行,请在
-opts
之后添加MODEL.DEVICE cpu-
。要将输出保存到目录(用于图像)或文件(用于网络摄像头或视频),请使用
--output
。
命令行中的训练与评估
我们在"tools/{,plain_} train_net.py"中提供了一个脚本,用于训练detectron2中提供的所有配置选项。你可以将其作为编写新训练脚本的参考。
要使用"train_net.py"训练模型,请首先在datasets/README.md(https://urlify.cn/uI7jem) 文件之后设置相应的数据集,然后运行:
python tools/train_net.py --num-gpus 8 \ --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml
这些配置是为8-GPU训练而设计的。要在1个GPU上进行训练,请使用以下命令更改批量大小:
python tools/train_net.py \ --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml \ SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025
对于大多数模型,不支持CPU训练。
请注意, 更改批次大小时,我们应用了线性学习率缩放规则(https://arxiv.org/abs/1706.02677) 。
要评估模型的性能,请使用
python tools/train_net.py \ --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml \ --eval-only MODEL.WEIGHTS /path/to/checkpoint_file
有关更多选项,请参见python tools/train_net.py -h
在你的代码中使用Detectron2的API
请参阅我们的Colab Notebook (https://urlify.cn/FFn26r) , 来了解如何使用detectron2 API来进行:
对现有模型进行推断
在自定义数据集上训练内置模型
有关在detectron2 上构建项目的更多方法,请参见detectron2/projects(https://urlify.cn/aqUj6b) 。
原文链接:https://detectron2.readthedocs.io/tutorials/getting_started.html
☆☆☆为方便大家查阅,小编已将Detectron2专栏文章统一整理到公众号底部菜单栏,同步更新中,关注公众号,点击左下方“文章”,如图:
或点击下方“阅读原文”,进入Detectron2专栏,即可查看系列文章。
☆ END ☆
如果看到这里,说明你喜欢这篇文章,请转发、点赞。微信搜索「uncle_pn」,欢迎添加小编微信「 mthler」,每日朋友圈更新一篇高质量博文(无广告)。
↓扫描二维码添加小编↓