Facebook开源检测工具包 Detectron （by Caffe2）

一. Detectron 特征
大名鼎鼎的 FAIR 开发的软件包，可以从【github】了解一下。

个人感觉比较有用的是基于 ResNet 基础框架的 Faster RCNN和Mask RCNN。

Detectron 基于 Caffe2（貌似被诟病的不轻），就目前阶段来看，caffe2 还有待于完善（pytorch也是一个意思），其工程化程度远不如 Tensorflow。

二. 安装

Caffe2 安装

遵循常规安装方式，尽量通过源码安装，Follow官方安装教程：【install】

注：不要从网上搜安装教程，有些作者自己也未必搞的明白。

可能会遇到一些包未安装的问题，比如 no module named past.builtins ，安装对应包即可：

pip install future --user

Detectron 安装

安装地址：【 github】

同样 Follow 官网安装：【install】

扫描二维码关注公众号，回复： 3807857 查看本文章

三. 测试运行

可以先把模型下载下来，放在 weights（新建）文件下，运行测试例子：

python2 tools/infer_simple.py \
    --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_1x.yaml \
    --output-dir /tmp/detectron-visualizations \
    --image-ext jpg \
    --wts weights/e2e-models/R-101-FPN-1X-MASK.pkl \
    demo

其中demo是要分析的图片目录，上面是用于检测的，分割任务可替换参数为：

--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_1x.yaml

-- wts weights/e2e-models/R-101-FPN-1X-MASK.pkl

执行成功会将结果保存为pdf文件，放在 ouput-dir 下面，效果还是很不错的：

有两个地方要注意：

1）配置文件 configs 要和 weights 文件对应；

2）修改 infer_simple.py 代码，避免重新下载权值文件：
assert_and_infer_cfg(False) 

四. 训练数据

首先安装 networkx 和 enum：

pip install networkx enum

根据 GETTING_STARTED 提示的步骤训练即可（单个GPU）：

python2 tools/train_net.py \
    --cfg configs/getting_started/tutorial_1gpu_e2e_faster_rcnn_R-50-FPN.yaml \
    OUTPUT_DIR /tmp/detectron-output

Facebook开源检测工具包 Detectron （by Caffe2）

猜你喜欢