J'ai essayé de détecter un objet avec M2Det!

Choses à faire

• Heure précédente et Dernière fois ont effectué une détection d'objet avec SSD et YOLO v3, respectivement. J'ai essayé, mais cette fois je vais essayer de détecter des objets avec M2Det
• Cette fois, nous l'exécuterons sur Google Colaboratory.

Aperçu

1. Préparation de l'environnement d'exécution (exécuté par Google Colaboratory)
2. Téléchargez le modèle sur Google Drive
3. Copier le fichier image
4. Exécutez le modèle
5. Afficher les résultats

Environnement d'exécution

• google colaboratory
• pytorch
• opencv
• tqdm
• addict

1. Préparation de l'environnement d'exécution (exécuté par Google Colaboratory)

--Ouvrez Google Colaboratory et passez de "Modifier le type d'exécution" à "GPU" dans l'onglet "Runtime".

――Après cela, procédez comme suit --Installez divers packages --Cloner le référentiel --Exécuter la coquille

Préparation de l'environnement d'exécution

!pip install torch torchvision
!pip install opencv-python tqdm addict
!git clone https://github.com/qijiezhao/M2Det.git
%cd M2Det/
!sh make.sh

2. Téléchargez le modèle sur Google Drive

-La destination du lien du modèle entraîné est décrite dans le README de GitHub (https://drive.google.com/file/d/1NM1UDdZnwHwiNDxhcP-nndaWj24m- 90L / vue), je vais donc le télécharger sur le code de ce lien Google Drive

• Pour le téléchargement, j'ai fait référence au code dans ici.
• En exécutant download_file_from_google_drive, vous pouvez télécharger par commande.

python

import requests

def download_file_from_google_drive(id, destination):
    URL = "https://docs.google.com/uc?export=download"

    session = requests.Session()

    response = session.get(URL, params = { 'id' : id }, stream = True)
    token = get_confirm_token(response)

    if token:
        params = { 'id' : id, 'confirm' : token }
        response = session.get(URL, params = params, stream = True)

    save_response_content(response, destination)    

def get_confirm_token(response):
    for key, value in response.cookies.items():
        if key.startswith('download_warning'):
            return value

    return None

def save_response_content(response, destination):
    CHUNK_SIZE = 32768

    with open(destination, "wb") as f:
        for chunk in response.iter_content(CHUNK_SIZE):
            if chunk: # filter out keep-alive new chunks
                f.write(chunk)

file_id = '1NM1UDdZnwHwiNDxhcP-nndaWj24m-90L'
destination = './m2det512_vgg.pth'
download_file_from_google_drive(file_id, destination)

3. Copier le fichier image

• Monter Google Drive
• Après cela, copiez tous les fichiers jpg du dossier contenant les fichiers image dans "imgs" qui exécute M2Det (dans mon environnement, les fichiers image sont stockés sous Mon Drive> ML> travail).

Monture Google Drive

from google.colab import drive
drive.mount('/content/drive')

Copie du fichier image

!cp /content/drive/My\ Drive/ML/work/*.jpg ./imgs

4. Exécutez le modèle

--Exécuter le modèle

Exécution du modèle

!python demo.py -c=configs/m2det512_vgg.py -m=m2det512_vgg.pth

5. Afficher les résultats

--Afficher le résultat de l'exécution

• Le fichier image exécuté sera créé en tant que "XXX_m2det.jpg "

python

import cv2
import matplotlib.pyplot as plt

plt.figure(figsize=(5, 5), dpi=200)
img = cv2.imread('imgs/herd_of_horses_m2det.jpg')
show_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(show_img)

• D'autres images ont également été réalisées

Code source

https://github.com/hiraku00/m2det_test

référence

• J'ai essayé M2Det, qui serait plus rapide que YOLO et SSD
• Essayez la démonstration / l'évaluation / l'apprentissage avec M2Det
• J'ai essayé de déplacer la technologie de détection d'objets la plus récente et la plus puissante M2Det