网站建设经费,wordpress文章页面区别,网络营销策略文献综述,合肥房产网新楼盘价格✨写在前面#xff1a;强烈推荐给大家一个优秀的人工智能学习网站#xff0c;内容包括人工智能基础、机器学习、深度学习神经网络等#xff0c;详细介绍各部分概念及实战教程#xff0c;通俗易懂#xff0c;非常适合人工智能领域初学者及研究者学习。➡️点击跳转到网站。…✨写在前面强烈推荐给大家一个优秀的人工智能学习网站内容包括人工智能基础、机器学习、深度学习神经网络等详细介绍各部分概念及实战教程通俗易懂非常适合人工智能领域初学者及研究者学习。➡️点击跳转到网站。 目标检测实战 前言本篇主要偏向目标检测实战部分使用MMDetection工具进行代码应用最后对水果进行检测实战演示本次环境和代码配置部分省略具体内容建议参考前一篇文章计算机视觉框架OpenMMLab开源学习四目标检测基础 本节内容 MMDetection项目概览 MMDetection运行环境搭建 使用MMDetection进行模型推理 使用MMDetection训练模型检测图像中水果 一、MMDetection介绍
MMDetection 3.0.0rc5 文档 二、项目实战
步骤 1. 使用 MIM 安装 MMEngine 和 MMCV。
pip install -U openmim
mim install mmengine
mim install mmcv2.0.0rc1 步骤 #注意这里的mmcv是2.x 步骤 2. 安装 MMDetection
git clone https://github.com/open-mmlab/mmdetection.git -b 3.x # -b 3.x表示切换到 3.x 分支。
cd mmdetection
pip install -v -e .
# -v 指详细说明或更多的输出 # -e 表示在可编辑模式下安装项目因此对代码所做的任何本地修改都会生效从而无需重新安装。
验证安装
步骤 1. 下载配置文件和模型权重文件。
mim download mmdet --config yolov3_mobilenetv2_8xb24-320-300e_coco --dest .
下载完成后在当前文件夹中发现两个文件 yolov3_mobilenetv2_8xb24-320-300e_coco.py 和 yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth。
步骤 2. 推理验证
方案 a如果你通过源码安装的 MMDetection那么直接运行以下命令进行验证
python demo/image_demo.py demo/demo.jpg \yolov3_mobilenetv2_8xb24-320-300e_coco.py \yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth \--device cpu --out-file result.jpg
在当前文件夹中看到一个新的图像 result.jpg图像中包含有网络预测的检测框。
可视化图片和预测结果
mmdet3.x引入visualizer, 使用前需要配合模型先注册再使用model.cfg.visualizer且对于一个模型只要注册一次就行了注册多个visualizer实例会有报错
from mmdet.registry import VISUALIZERS# Init visualizer
visualizer VISUALIZERS.build(model.cfg.visualizer)
# The dataset_meta is loaded from the checkpoint and
# then pass to the model in init_detector
visualizer.dataset_meta model.dataset_meta
# Test a single image and show the results# Show the results
visualizer.add_datasample(result,img,data_sampleresult,draw_gtFalse,showTrue)
# visualizer.show()
测试视频: 使用相同的模型和展示结果
同样的这个可视化也是很依赖model的model.cfg.test_dataloader.dataset.pipeline , 需要进行一定的配置来建立pipeline
result inference_detector(model, frame, test_pipelinetest_pipeline) 这一行其实和对单张图片的检测是一样的frame是一帧可以看为一张图片只不过多了 test_pipeline
import cv2
from mmcv.transforms import Compose
from mmengine.utils import track_iter_progress# Test a video and show the results
# Build test pipeline
model.cfg.test_dataloader.dataset.pipeline[0].type LoadImageFromNDArray
test_pipeline Compose(model.cfg.test_dataloader.dataset.pipeline)# # Init visualizer
# visualizer VISUALIZERS.build(model.cfg.visualizer)
# # The dataset_meta is loaded from the checkpoint and
# # then pass to the model in init_detector
visualizer.dataset_meta model.dataset_meta# The interval of show (s), 0 is block
wait_time 1video_reader mmcv.VideoReader(demo/demo.mp4)cv2.namedWindow(video, 0)for frame in track_iter_progress(video_reader):result inference_detector(model, frame, test_pipelinetest_pipeline)visualizer.add_datasample(namevideo,imageframe,data_sampleresult,draw_gtFalse,showFalse)frame visualizer.get_image()mmcv.imshow(frame, video, wait_time)cv2.destroyAllWindows()
未更完
