Detectron2 快速上手

本文将简要介绍 detectron2 内置命令行工具的使用方法。

有关如何使用 API 来进行实际编码的教程， 请参阅我们的Colab Notebook， 其中详细介绍了如何使用现有模型进行推理，以及如何使用自定义数据集来训练内置模型。

使用预训练模型推理演示

  1. 从模型库中选取一个模型及其配置文件，例如，mask_rcnn_R_50_FPN_3x.yaml。

  2. 运行我们提供 demo.py 可以演示内置配置。运行指令如下：

cd demo/
python demo.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \
  --input input1.jpg input2.jpg \
  [--other-options]
  --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

由于配置是针对训练设置的，因此我们需要通过设置 MODEL.WEIGHTS 来从模型库中指定一个模型来进行评估。 此命令将进行推理并在 OpenCV 窗口中显示可视化效果。

想要了解命令行参数的细节，可以参阅 demo.py -h 或是源码。 一些常见的参数如下：

  • 想在 网络摄像头 上运行，可将 --input files 替换为 --webcam。

  • 想在 视频 上运行，可将 --input files 替换为 --video-input video.mp4。

  • 想在 CPU 上运行，可在 --opts 参数之后添加MODEL.DEVICE cpu。

  • 想将输出保存到目录（用于图像）或是文件（用于网络摄像头或者视频），可使用 --output。

使用命令行命令进行训练&评估

我们提供了”tools/plain_train_net.py” 和 “tools/train_net.py” 两个脚本，它们适用于 detectron2 中所有配置的训练。 你也可以以此作为参考来编写自己的训练脚本。

相比于 “train_net.py”， “plain_train_net.py” 支持的默认功能更少。但它包含的抽象也更精简，更加容易添加自定义逻辑。

要使用 “train_net.py” 训练模型，请先根据 datasets/README.md 设置相应的数据集，然后运行：

cd tools/
./train_net.py --num-gpus 8 \
  --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml

以上配置是使用8个 GPU 来训练的。若想用单卡训练，你需要修改一些参数，例如：

./train_net.py \
  --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml \
  --num-gpus 1 SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025

若要在评估模型的性能，可执行：

./train_net.py \
  --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml \
  --eval-only MODEL.WEIGHTS /path/to/checkpoint_file

有关更多选项，可以参阅 ./train_net.py -h。

在代码中使用 Detectron2 API

参阅 Colab Notebook 可以学习到如何使用 detectron2 API 来完成：

  1. 在已有模型上完成推理

  2. 在自定义数据集上训练内置模型

参阅 detectron2/projects， 了解使用 detctron2 来构建项目的更多方法。