Environment

install torch

conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.1 -c pytorch

install detectron

python -m pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.6/index.html

install dependency

pip install opencv-python
pip install labelme

为jupyter notebook创建kernel

pip install ipykernel
# create ipykernel env
python -m ipykernel install --user --name detectron2

该project中示例了如何使用detectron2进行基于coco的目标检测。

将生成的文件按照该目录所示的方式进行布置。

├── DIR
│  ├── images
│  │  ├── 1.jpg
│  │  ├── ...
│  │  ├── *.jpg
│  ├── 1.json
│  ├── ...
└──└── *.json

在本示例中，将合成的json文件命名为trainval.json。

labelme2coco_object_detection.ipynb 用于在labelme中标记为rectangle的标签文件进行合并。

在合成标签后，使用train_test.ipynb进行训练。

需要修改以下变量：

project 项目的名称

yaml_file yaml文件的位置

weights 所选择的模型文件

在本示例中，使用网络相机进行测试。该方法改自于detectron2的demo.py。

将生成的文件按照该目录所示的方式进行布置。

├── DIR
│  ├── images
│  │  ├── 1.jpg
│  │  ├── ...
│  │  ├── *.jpg
│  ├── 1.json
│  ├── ...
└──└── *.json

在本示例中，将合成的json文件命名为trainval.json。

labelme2coco_instance.ipynb 用于在labelme中标记为polygons的标签文件进行合并。

在合成标签后，使用train_test.ipynb进行训练。

需要修改以下变量：

project 项目的名称

yaml_file yaml文件的位置

weights 所选择的模型文件

在本示例中，使用网络相机进行测试。该方法改自于detectron2的demo.py。