detectron2 使用总结

王云峰

发布于 2023-10-21 16:25:07

55100

代码可运行

文章被收录于专栏：Yunfeng's Simple BlogYunfeng's Simple Blog

运行总次数：0

代码可运行

概述

detectron2 大部分代码都需要GPU

detectron2 主要是用于检测和分割的代码框架，像分类这种任务的代码暂时没有

官方示例有一些是基于Colab的，需要访问国外网站才能访问

安装依赖

sudo pip install -U torch==1.4+cu100 torchvision==0.5+cu100 -f https://download.pytorch.org/whl/torch_stable.html
sudo pip install cython pyyaml==5.1 --ingnore-installed

# 安装 cocoapi
sudo pip install -U 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

其中cocoapi 需要从GitHub下载代码，如果安装太慢，可以先clone下代码，再进PythonAPI子目录，运行setup.py安装:

git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
sudo python3 setup.py install

安装 detectron2

这里直接安装编译好的二进制文件。

sudo pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu100/index.html

如果文件下载太慢或者超时，可以手动在浏览器里面下载好文件，再用下面的命令安装（假设下载的whl文件是xxx.whl):

sudo pip install xxx.whl

安装完后，打开 Python 命令行，执行下面的命令，如果不报错，说明安装成功：

import detectron2

测试

为了测试，需要下载 detectron2 的源代码，基于 demo/demo.py 进行简单的测试：

git clone https://github.com/facebookresearch/detectron2
python3  detectron2/demo/demo.py --config-file detectron2/configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input ~/test.jpg --opts MODEL.WEIGHTS  detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

注意上述代码需要在 detectron2 的 git 仓库外面执行，否则会报错。 测试时输入支持单张图片、多张图片、单个图片文件夹、网络摄像头以及视频文件，每种情况参数设置如下：

# 单张图片
--input test.jpg
# 多张图片
--input test1.jpg test2.jpg test3.jpg
# 单个图片文件夹
--input imgs/*.jpg
# 网络摄像头
--webcame
# 视频文件
--video-input test.mp4

``–opts MODEL.WEIGHTS表示测试用的模型参数，可以是一个本地目录，也可以是一个detectron2://`开头的一个模型路径，这时会先下载模型到本地再测试:

# 使用本地的模型参数
--opts MODEL.WEIGHTS ./model_final_f10217.pkl
# 使用网络模型地址
--opts MODEL.WEIGHTS ./model_final_f10217.pkl

模型的名字可以在 Model Zoo 查看。

训练

训练代码参考 tools/train_net.py，目前Detection看。

一些代码分析

DefaultTrainer 是针对目前常用的Detection设置而写的一个类，为了不用修改太多就直接复现最佳结果。但另一方面，由于有比较多的假设情况，因此通用性有所降低
SimpleTrainer 是 DefaultTrainer 的父类，限制条件更少，对于做新的研究任务，作者推荐继承 SimpleTrainer 来修改
代码支持多机多卡多进程，基于 Pytorch 的多级多卡代码写了一些wrapper
代码注释很完善，而且其中很多是给用户怎么基于现在代码进行修改来跑新的网络、做新的任务，有些地方说的很细致，这一点很棒