1. Introducción de antecedentes

Dirección del proyecto Detectron2: https://github.com/facebookresearch/detectron2
Documento más rápido de RCNN: https://arxiv.org/abs/1506.01497
Conjunto de datos COCO: http://cocodataset.org/#home
Conjunto de datos de COV: http://host.robots.ox.ac.uk/pascal/VOC/

2. Requisitos ambientales

Ubuntu 18.04
CUDA10
pytorch == 1.3.0
visión de antorcha == 0.4.1
pycocotools

3. Pasos de instalación

3.1 Dependencias de instalación

cocoapi

git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
python setup.py build_ext install

Cython

pip install cython

3.2 Instalar detectron2

git clone https://github.com/facebookresearch/detectron2.git
cd detectron2 && python -m pip install -e .

4. Pruebe la instalación

Una vez completada la instalación, puede ingresar el siguiente comando para probar si la instalación es exitosa.

python3 demo.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \
  --input cat.jpg \
  --output result_cat.jpg \
  --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

La imagen de entrada es: la
cat.img
imagen del resultado es: la

prueba es satisfactoria, lo que indica que la instalación se ha realizado correctamente y que el marco se puede utilizar para más formación, pruebas, etc.

Ubuntu18.04 configura detectron2 para lograr una detección de objetivos RCNN más rápida y una segmentación de instancias de Mask RCNN (1)