Essayons la détection d'objets en temps réel en utilisant Faster R-CNN

introduction

Jusqu'à présent, nous avons introduit des méthodes telles que BING et la recherche sélective comme R-CNN. ・ Cliquez ici pour les articles précédents J'ai essayé d'utiliser BING avec OpenCV comme prétraitement de CNN J'ai essayé d'utiliser la recherche sélective comme R-CNN Cependant, la précision de BING n'est pas très bonne. Il y a encore des plaintes concernant la recherche sélective, comme la lenteur du traitement. Alors cette fois, je voudrais essayer Faster R-CNN.

Qu'est-ce que Faster R-CNN?

C'est une méthode qui a été accélérée en détectant des candidats candidats pour des objets à l'aide de CNN. À l'origine, une méthode appelée Fast R-CNN a été annoncée plus tôt, Peu de temps après, le plus rapide R-CNN a été annoncé. (La vitesse du progrès dans ce monde est terrifiante.) Pour plus de détails, veuillez vous référer à la page de l'Université Cornnel. https://arxiv.org/abs/1506.01497

manière

L'original est Caffe https://github.com/rbgirshick/py-faster-rcnn/tree/96dc9f1dea3087474d6da5a98879072901ee9bf9 Je ne veux pas vraiment utiliser Caffe comme passe-temps personnel, donc cette fois j'utiliserai la version Chainer. https://github.com/mitmul/chainer-faster-rcnn

Environnement: Ubuntu16.04LTS, Python2.7.12, Chainer1.12.0 Suivez simplement les étapes de ReadMe.

□ Clonez le style neuronal à chaîne rapide.

$ git clone https://github.com/mitmul/chainer-faster-rcnn

□ Allez dans le dossier de la bibliothèque et créez

$ cd chainer-faster-rcnn/lib
$ python setup.py build_ext -i
$ cd ..

□ Téléchargez le modèle entraîné

$ if [ ! -d data ]; then mkdir data; fi; cd data
$ wget https://dl.dropboxusercontent.com/u/2498135/faster-rcnn/VGG16_faster_rcnn_final.model`
$ cd ..

□ Téléchargez et exécutez l'image de test

$ wget http://vision.cs.utexas.edu/voc/VOC2007_test/JPEGImages/004545.jpg
$ python forward.py --img_fn 004545.jpg --gpu 0

résultat

C'est le résultat de l'image de test C'est une image que je me suis préparée Les deux sont détectés avec précision. De plus, lors de l'utilisation de GTX970, il est détecté en environ 0,3 à 0,4 seconde. À propos, cela a pris environ 30 secondes pour le processeur uniquement.

Résumé

Le R-CNN plus rapide semble être une très bonne technique pour le moment. Une carte graphique est requise. À l'avenir, il y aura des modèles légers qui fonctionneront sur les appareils mobiles.

[PostScript 30/11/2016] Si vous y réfléchissez, il semble y avoir une méthode plus rapide appelée Détection multi-boîtes à un coup. https://arxiv.org/abs/1512.02325 J'aimerais aussi essayer ceci pendant mon temps libre.