Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习
工具
Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习
模型
Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习
开源
Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习
GPU
Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习
Caffe

“等代码吧。”


从Mask R-CNN论文亮相至今的10个月里,关于它的讨论几乎都会以这句话收尾。


Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习

现在,官方版开源代码终于来了。同时发布的,是这项研究背后的一个基础平台:Detectron。


Detectron是Facebook的物体检测平台,今天宣布开源,它基于Caffe2,用python写成,这次开放的代码中就包含了Mask R-CNN的实现。


除此之外,Detectron还包含了ICCV 2017较佳学生论文RetinaNet,Ross Girshick(RBG)此前的研究Faster R-CNN和RPN、Fast R-CNN、以及R-FCN的实现。



Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习

Detectron的基干(backbone)网络架构包括ResNeXt{50,101,152}、ResNet{50,101,152}、FPN和VGG16。


同时,Facebook还发布了70多种ImageNet-1k预训练模型的性能基准,包括用用1、2块GPU时,上述各种基干架构和检测算法相结合做区域建议、遮罩检测以及人体关键点检测的训练时间、推理时间等。


要使用Detectron,你需要先配置英伟达GPU(是的,它还不支持CPU)、linux系统和Python2,还要安装Caffe2和COCO API。然后,三步装上Detectron:


Clone Detectron:


# DETECTRON=/path/to/clone/detectron

git clone https://github.com/facebookresearch/detectron $DETECTRON

设置Python模块:


cd $DETECTRON/lib && make

检查Detectron的测试通过:


python2 $DETECTRON/tests/test_spatial_narrow_as_op.py

这样,就足够用预训练模型做推理了。


如果要用Detectron来训练自己的检测模型,就需要先确保能通过符号链接lib/datasets/data找到数据集,然后用CMake创建定制的运算符库:


cd $DETECTRON/lib && make ops

并检查这些运算符的测试通过:


python2 $DETECTRON/tests/test_zero_even_op.py

Facebook还贴心地写了份上手教程,教你用预训练的Mask R-CNN来做物体检测。


如果要在本地图像上运行,只需要使用infer_simple.py工具,运行:


python2 tools/infer_simple.py \

--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \

--output-dir /tmp/detectron-visualizations \

--image-ext jpg \

--wts https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \

demo

就能得到如下图所示的输出。



Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习

如果要在COCO数据集上做推理,需要运行:


python2 tools/test_net.py \

--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \

TEST.WEIGHTS https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \

NUM_GPUS 1

上面这个例子,用了端到端预训练的Mask R-CNN,在一块GPU上运行。如果要使用多个GPU,需要在第二行之后添加 —multi-gpu-testing \ 并更改最后的NUM_GPUS数量。


截至量子位发稿,Detectron在GitHub上放出7小时,已经收获738颗星标、101次Fork。


Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习

RBG在Facebook上发帖介绍说,这个项目2016年7月启动,想要基于Caffe 2构建一个快速、灵活的物体检测系统,至今已经一年半的时间。Detectron系统本来是Facebook内部使用的,我们前面提到的Mask R-CNN和RetinaNet背后,都由Detectron提供支持。


除了RBG之外,Ilija Radosavovic、Georgia Gkioxari、Piotr Dollar和何恺明也参与了Detectron项目。


在Facebook内部,Detectron不仅用于研究,还用来为增强现实、商业诚信等方面的应用训练定制化的模型。这些模型训练完成后可以部署在云端或者移动设备上,由Caffe2运行时提供支持。


RBG说,Facebook将Detectron平台开源出来,是想要加速世界各地实验室的研究,推动物体检测的进展。


Now go forth and create algorithms to detect all of the things!


想用Detectron搞物体检测算法,你可能要用到下面这些链接:


Detectron开源代码:

https://github.com/facebookresearch/Detectron


相关物体检测论文:

Mask R-CNN

https://arxiv.org/abs/1703.06870


RetinaNet

https://arxiv.org/abs/1708.02002


Faster R-CNN和RPN

https://arxiv.org/abs/1506.01497


Fast R-CNN

https://arxiv.org/abs/1504.08083


R-FCN

https://arxiv.org/abs/1605.06409


性能基准和Model ZOO:

https://github.com/facebookresearch/Detectron/blob/master/MODEL_ZOO.md


另外,你们可能还想去RBG大神的FB帖子底下表达一波感谢(以及质问开源代码为何拖了这么久):

https://www.facebook.com/ross.girshick/posts/10159910213745261


欢迎加入本站公开兴趣群

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识

QQ群:418451831

tags: Detectron,#160,Mask,DETECTRON,Facebook,rcnn,https,com,检测,abs,GPU,arxiv
分页:12
转载请注明
本文标题:Mask R-CNN源代码终于来了,还有它背后的物体检测平台深度学习
本站链接:https://www.codesec.net/view/571999.html


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 商业智能 | 评论(0) | 阅读(144)