【目标检测】Mask rcnn代码实现Pytorch版，适用30系列显卡！（测试版）

最新推荐文章于 2024-06-19 21:22:49 发布
最新推荐文章于 2024-06-19 21:22:49 发布
阅读量1.2k 收藏 16
点赞数 2
分类专栏： 目标检测经典论文导读 文章标签： pytorch 目标检测 Mask R-CNN 语义分割
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/wzk4869/article/details/128540740
版权
该文介绍了在装有CUDA11.3的环境下，如何配置和搭建基于Pytorch的mmdetection框架，进行MaskR-CNN模型的测试。作者提供了详细的环境依赖和配置步骤，以及模型参数的下载和使用方法，最终成功运行并展示了测试结果。
摘要由CSDN通过智能技术生成

目录：Mask rcnn代码实现Pytorch版


为什么选择使用Pytorch版本？因为本人换电脑了，显卡升级为30系列，而30系列显卡的 CUDA 版本要求是 11.x。

一、环境

cudatoolkit               11.3.1
numpy                     1.23.5
mmcv-full                 1.7.1
opencv-python             4.7.0.68
openmim                   0.3.4
pycocotools               2.0.6
python                    3.8.15
pytorch                   1.12.1
torchaudio                0.12.1
torchvision               0.13.1

其中，我的CUDA版本为11.3。

二、mmdetection环境搭建

这里，我有写过详细的博客介绍，直接放上链接！

包括debug的过程，也有详细记载：

https://blog.csdn.net/wzk4869/article/details/127797092?spm=1001.2014.3001.5502

在这里插入图片描述

三、测试

我们可以直接用mmdetection框架的框架测试。

项目下载地址为：

https://github.com/open-mmlab/mmdetection

在这里插入图片描述

我们解压后新建一个文件夹，checkpoints，用于存储模型参数。

模型参数的下载地址为：

https://github.com/open-mmlab/mmdetection/blob/master/configs/mask_rcnn/metafile.yml

在这里插入图片描述
参数要对应！

四、结果展示

我们的测试代码如下：

python mmdetection-master/demo/image_demo.py mmdetection-master/demo/demo.jpg mmdetection-master/configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py mmdetection-master/checkpoints/mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth

结果为：

在这里插入图片描述
在这里插入图片描述

运行成功！

旅途中的宽~
关注
专栏目录
PyTorch深度学习实战（25）——从零开始实现Mask R-CNN实例分割
盼小辉丶的博客
11-01 3467
Mask R-CNN 是一种在目标检测任务中引入了语义分割的强大框架，通过在 Faster R-CNN 基础上进行扩展，添加了额外的分支网络，不仅可以准确地检测对象的位置和类别，还可以生成每个实例的精确像素级别的语义分割掩码。其模块化的设计可以轻松地应用于不同的任务和数据集，并且可以通过添加更多的分支进行功能扩展，如实例关键点检测等。
Pytorch版Mask-RCNN图像分割实战（自定义数据集）
qq_31807039的博客
05-12 7117
Mask R-CNN是一种广泛应用于目标检测和图像分割任务的深度学习模型，它是由Faster R-CNN（一种快速目标检测模型）和Mask R-CNN（一种实例分割模型）组成的。Mask R-CNN将Faster R-CNN中的RPN和RoI Pooling层替换成了RPN和RoI Align层，以实现像素级的图像分割，能够同时检测出多个对象，并对每个对象进行像素级的分割。
基于pytorch的MASK R-CNN源码学习与调试
最新发布
qq_42674138的博客
06-19 835
源码地址：GitHub - facebookresearch/maskrcnn-benchmark: Fast, modular reference implementation of Instance Segmentation and Object Detection algorithms in PyTorch. 配置完环境、下载好数据后尝试跑train_net.py，运行报错： 修改coco.py文件里的self.transforms为self._transforms 解决
maskrcnn_pytorch：maskrcnn pytorch实现
02-21
Mask RCNN：Pytorch实现 使用Pytorch框架屏蔽RCNN实现。 banchmark： : 要求 Python> = 3.6。 PyTorch> = 1.5，并且Torchvision与PyTorch安装匹配。 执照 该存储库是根据MIT许可发布的。
pytorch环境之mask-rcnn源码实现
m0_46926492的博客
03-17 4310
文件数据集路径,查看自己的文件名称，进行相应修改。文件数据集路径,查看自己的文件名称，进行相应修改。调整相关非极大值抑制参数【还没有调好，调好再更新】数据集之后修改了其他的配置，其他都不需修改。,有检测出来的，但是还有没有检测出来的。数据集测试，发现一个物体对应多个框。下面这个图片没有检测出来,又改为。设置保存图片路径【圈出框的图片】文件中的学习率修改自己的数值。改为自己的分类个数，我改为。吧，这个图片算了，我放弃了。个，一次给gpu图片个数。越少，学习率就要越低】修改打印损失迭代次数。
目标检测练习代码--pytorch
12-05
目标检测练习代码--pytorch
目标检测模型（YOLOv1-v3系列，ssd）的pytorch实现
01-11
此文件为yolo模型（1-3）的pytorch实现以及ssd目标检测的pytorch实现
实例分割经典：Mask-RCNN及pytorch代码
weixin_43572595的博客
12-03 6613
前沿 不同于语义分割，实例分割需要将每个类别的单个目标单独打上id。MaskRCNN是何凯明大神2017年在ICCV发表的一篇用于目标检测、实例分割、人体关键点检测的经典工作。 设计思想 实例分割具有挑战性，因为它需要正确检测图像中的所有对象，同时还要精确分割每个实例。因此既需要对目标进行边界框的检测定位，又需要对边界框内的目标进行像素级的前后景分割。 文章的方法称为Mask R-CNN，它通过在FasterRCNN中添加一个分支来预测每个感兴趣区域（RoI）上的分割蒙版，与现有的用于分类和边界框回归的分支
maskrcnn benchmark pytorch 训练+测试
weixin_43716602的博客
09-11 1584
项目网址：maskrcnn benchmark 系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、环境搭建1.准备工作出现的问题1解决方案1：二、数据集准备1.labelme2coco2.更改配置文件三、训练测试总结 前言 文章主要记录在windows下和linux下使用maskrcnn进行环境搭建 训练 测试 的过
Pytorch Mask RCNN训练自定义数据集
平凡简单的执着
05-13 1万+
前言（必读） 最近做目标检测，然后记录一下 Faster RCNN、Mask RCNN来做目标检测踩得那些坑。 首先，本文并不是利用Pytorch从头去实现Faster RCNN、Mask RCNN这两个结构的文章。如果有意向去从头实现并了解每一步细节可以看看下面这些视频和博客： 来自B站的两位大佬讲解 大佬一：视频 博客 GitHub 大佬二：视频 博客 GitHub 上面都是利用pytorch从原理到具体实现的步骤。 不过本文主要还是利用Pytorch中的Tor
钢铁缺陷检测mask rcnn版本
qq_32172681的博客
09-19 5748
一、项目主框架代码（tensorflow版本的Mask RCNN） Mask RCNN论文及代码解析参考我的另一篇博客：https://blog.csdn.net/qq_32172681/article/details/99761084 Mask RCNN keras实现代码，大神的github地址：https://github.com/matterport/Mask_RCNN 运行环境：t...
Python-MaskXRCNN网络的PyTorch实现
08-11
PyTorch implementation of the Mask-X-RCNN network proposed in the 'Learning to Segment Everything' paper by Facebook AI Research
YOLO和RCNN目标检测和多目标跟踪-Python开发
05-25
YOLO和RCNN对象检测和多对象跟踪对象检测和跟踪对象检测是一种与计算机视觉和图像处理有关的计算机技术，用于检测特定类别的语义对象（例如人，建筑物或汽车）的实例。数字图像和视频。 我在Ubuntu 16.04 / 18.04上测试过的环境。 该代码可以在其他系统上工作。 [Ubuntu深度学习环境设置] Ubuntu 16.04 / 18.04 ROS Kinetic / Melodic GTX 1080Ti / RTX 2080Ti python 2.7 / 3.6
YOLOv1代码分析——pytorch版保姆级教程
chase
03-17 8926
YOLOv1代码分析——pytorch版保姆级教程
Faster-RCNN.pytorch的搭建、使用过程个人记录（适配PyTorch 1.0以上版本）
weixin_44398211的博客
04-08 2200
Faster-RCNN.pytorch的搭建、使用过程个人记录前言faster-rcnn pytorch代码下载faster-rcnn pytorch配置过程合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 本文主要记录（1）如何跑通源
Mask RCNN pytorch官方代码解读
Abraham Ben
02-10 5183
1. 数据预处理 1.1 transform 将图片进行缩放。对应的box和mask也进行缩放。box缩放时直接将坐标乘以相应的倍数。图像缩放采用bilinear方式，而mask缩放时采用nearest方式。 同时可能需要将image使用padding方式扩大，即: new_img = np.zeros((3, new_x, new_y)) new_img[:, :x_max, :y_max] = old_img 对应GenerilizedRCNN.py中的 images, targets = self.t
MaskRCNN代码详解（Facebook官方Pytorch版本）（持续更新）
tintwung的博客
07-02 4421
###MaskRCNN(Facebook官网Pytorch版本 原载于简书https://www.jianshu.com/p/762203a2ecde ####Resnet部分 首先来看有FPN的Resnet是如何搭建的，我们假设所使用的模型是ResnetTop5 class ResNet(nn.Module): def __init__(self, cfg): super...
mask-rcnn pytorch实现
qq_50904853的博客
05-21 1332
mask-rcnn pytorch实现 1、模块 batch_norm class FrozenBatchNorm2d(): function:批量正则化 torch.half():将tensor转换为其半精度tensor tensor.rsqrt():开方 misc helper class that supports empty tensors on some functions backbone resnet resnet + fpn retina + fpn fpn
Mask R-CNN的PyTorch实现（医学图像上的应用）
热门推荐
WangNning2000的博客
11-11 3万+
一开始是在csdn上找的代码，但在pycharm里没有调通，所以又到GitHub上copy的，在jupyter notebook上调通了。 源码：https://github.com/pytorch/tutorials/blob/master/_static/torchvision_finetuning_instance_segmentation.ipynb 参考：https://blog.csdn.net/u013685264/article/details/100564660 一.准备..
maskrcnn pytorch代码实现
06-28
### 回答1： Mask R-CNN 是一种基于 Faster R-CNN 的目标检测算法，它可以用来做目标分割。在 PyTorch 中，可以使用 torchvision 库中的 maskrcnn_resnet50_fpn 模型来实现 Mask R-CNN。代码示例如下： ```python import torchvision from torchvision.models.detection.faster_rcnn import FastRCNNPredictor # Load a pre-trained model model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=True) # Replace the classifier with a new one, that has num_classes which is user-defined num_classes = 2 # 1 class (person) + background # get number of input features for the classifier in_features = model.roi_heads.box_predictor.cls_score.in_features # replace the pre-trained head with a new one model.roi_heads.box_predictor = FastRCNNPredictor(in_features, num_classes) ``` 这段代码会加载一个预训练的 Mask R-CNN 模型，并使用自定义的类别数量来替换模型中的分类器。然后你可以使用这个模型来进行目标检测和目标分割。 注意，在实际使用中, 还需要处理输入数据, 配置损失函数, 设置训练参数等, 这里只是简单的给出了模型加载和类别数量替换的代码。 ### 回答2： Mask R-CNN是一种在Faster R-CNN的基础上同时实现物体检测和分割的网络结构。它在Faster R-CNN中引入了一个分割分支，该分支提取感兴趣区域的特征并生成与其对应的分割掩码。这使得Mask R-CNN能够同时预测目标的类别、边界框和掩码。下面将介绍如何使用PyTorch实现Mask R-CNN。 首先，需要准备数据集。Mask R-CNN需要使用标注好的包含分割掩码的图像进行训练。可以使用COCO等开放数据集或自己的数据集。 其次，需要下载Mask R-CNN PyTorch代码库，并按照其README中的说明安装PyTorch和其他依赖项。 接着，根据具体情况修改配置文件，如主要训练参数、数据集路径等。可以使用默认配置文件，也可以根据需要自定义配置文件。例如，需要设置训练集、验证集、学习率等。 然后，创建数据的DataLoader和模型实例。数据载入器可以使用内置的COCO DataLoader，也可以自定义数据集，使用torch.utils.data.Dataset和torch.utils.data.DataLoader来封装数据集。 最后，进行模型训练。在训练之前，可以调用model.roi_heads.mask_predictor添加掩码分支的预测器模块。然后，可以使用torch.nn.parallel.DistributedDataParallel自动并行化训练。 以上是使用PyTorch实现Mask R-CNN的基本流程。但是，由于Mask R-CNN是一种复杂的网络结构，在具体实现中需要注意一些细节问题，如调整学习率策略、数据增强等。同时，由于分割掩码对于计算资源的占用较高，训练时建议在GPU上进行。 ### 回答3： Mask R-CNN是一种多任务目标检测算法，它可以同时完成目标检测、物体分割和置信度评估等任务。它是RCNN、Fast R-CNN和Faster R-CNN的进化版，同时添加了一个分割分支，实现了实例分割。因此，它是一个非常强大的算法，适用于许多实际场景。 PyTorch是一个基于Python的深度学习框架，它提供了方便的API和工具，用于构建神经网络模型。 在PyTorch中，实现Mask R-CNN需要以下步骤： 1.安装Mask R-CNN和PyTorch包。在命令行终端中运行以下命令： pip install maskrcnn-benchmark pip install torch torchvision 2.引入必要的包和模块： import torch import torchvision from maskrcnn_benchmark.config import cfg from predictor import COCODemo 3.设置路径和配置文件： config_file = "configs/caffe2/e2e_mask_rcnn_R_50_FPN_1x_caffe2.yaml" cfg.merge_from_file(config_file) cfg.merge_from_list(["MODEL.DEVICE", "cpu"]) 4.创建模型： demo = COCODemo(cfg, confidence_threshold=0.7) 5.加载图像并运行模型： image = demo.run_on_image(path_to_image) 6.显示结果： plt.imshow(image[:, :, [2, 1, 0]]) plt.show() 这些步骤只是一个简单的示例，可以根据实际需要进行修改和扩展。在实现Mask R-CNN时需要注意以下几点： -理解Mask R-CNN的原理及其论文中的细节， -合理配置模型和超参数，例如confidence_threshold、score_threshold等， -使用适当的数据集进行训练和测试，例如COCO、Pascal VOC等。 由于Mask R-CNN的复杂性较高，需要较长时间的学习和实践。但是，通过PyTorch，实现Mask R-CNN并不会太困难，具有广泛的应用价值。
评论
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

打赏作者

旅途中的宽~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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