網(wǎng)上有很多關(guān)于如何檢測pos機(jī),手把手教物體檢測——M2Det的知識(shí)，也有很多人為大家解答關(guān)于如何檢測pos機(jī)的問題，今天pos機(jī)之家(www.dsth100338.com)為大家整理了關(guān)于這方面的知識(shí)，讓我們一起來看下吧!
本文目錄一覽：
如何檢測pos機(jī)
模型介紹物體檢測模型M2Det，是北京大學(xué)&阿里達(dá)摩院提出的Single-shot目標(biāo)檢測新模型，使用multi-level特征。在MS-COCO benchmark上，M2Det的單尺度版本和多尺度版本AP分別達(dá)到41.0和44.2 。
該模型的特點(diǎn)：
· 提出多級(jí)特征金字塔網(wǎng)絡(luò)MLFPN。MLFPN的結(jié)構(gòu)如下：
· 基于提出的MLFPN，結(jié)合SSD，提出一種新的Single-shot目標(biāo)檢測模型M2Det
模型使用a) 下載源碼:"。
b) 在data文件夾下新建VOCdevkit文件夾，導(dǎo)入VOC格式的數(shù)據(jù)集。如下圖：c) 下載權(quán)重文件，放在weights（如果沒有就在根目錄新建）文件夾下面。d) 修改voc0712.py里面的類別。將：
VOC_CLASSES = ( '__background__', # always index 0 'aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor')
修改為：
VOC_CLASSES = ( '__background__', # always index 0 'aircraft', 'oiltank')
e) 選擇配置文件。本例采用configs->m2det512_vgg.py配置文件
model = dict( type = 'm2det', input_size = 512, init_net = True, pretrained = 'weights/vgg16_reducedfc.pth', m2det_config = dict( backbone = 'vgg16', net_family = 'vgg', # vgg includes ['vgg16','vgg19'], res includes ['resnetxxx','resnextxxx'] base_out = [22,34], # [22,34] for vgg, [2,4] or [3,4] for res families planes = 256, num_levels = 8, num_scales = 6, sfam = False, smooth = True, num_classes = 3,#更改類別，按照數(shù)據(jù)集里面的類別數(shù)量+1(背景) ), rgb_means = (104, 117, 123), p = 0.6, anchor_config = dict( step_pattern = [8, 16, 32, 64, 128, 256], size_pattern = [0.06, 0.15, 0.33, 0.51, 0.69, 0.87, 1.05], ), save_eposhs = 10, weights_save = 'weights/' #保存權(quán)重文件的目錄 )train_cfg = dict( cuda = True,#是否使用cuda warmup = 5, per_batch_size = 2,#修改batchsize，按照自己顯卡的能力修改 lr = [0.004, 0.002, 0.0004, 0.00004, 0.000004],#學(xué)利率調(diào)整，調(diào)整依據(jù)step_lr的epoch數(shù)值。 gamma = 0.1, end_lr = 1e-6, step_lr = dict( COCO = [90, 110, 130, 150, 160], VOC = [100, 150, 200, 250, 300], # unsolve ), print_epochs = 10,#每個(gè)10個(gè)epoch保存一個(gè)模型。 num_workers= 2,#線程數(shù)，根據(jù)CPU調(diào)整 )test_cfg = dict( cuda = True, topk = 0, iou = 0.45, soft_nms = True, score_threshold = 0.1, keep_per_class = 50, save_folder = 'eval' )loss = dict(overlap_thresh = 0.5, prior_for_matching = True, bkg_label = 0, neg_mining = True, neg_pos = 3, neg_overlap = 0.5, encode_target = False)optimizer = dict(type='SGD', momentum=0.9, weight_decay=0.0005)#激活函數(shù)。
#修改dataset，本例采用VOC2007數(shù)據(jù)集，將COCO的刪除即可,刪除VOC2012
dataset = dict( VOC = dict( train_sets = [('2007', 'trainval')], eval_sets = [('2007', 'test')], ) )import osimport oshome = ""#home路徑，默認(rèn)是linux的，本例采用win10，講其修改為""VOCroot = os.path.join(home,"data/VOCdevkit/")COCOroot = os.path.join(home,"data/coco/")f) 刪除pycocotools
在安裝pycocotools工具前提下，將程序自帶的pycocotools工具包刪除。
修改coco.py
將：
from utils.pycocotools.coco import COCOfrom utils.pycocotools.cocoeval import COCOevalfrom utils.pycocotools import mask as COCOmask
修改為：
from pycocotools.coco import COCOfrom pycocotools.cocoeval import COCOevalfrom pycocotools import mask as COCOmask
g) 修改nms_wrapper.py將：
from .nms.cpu_nms import cpu_nms, cpu_soft_nmsfrom .nms.gpu_nms import gpu_nms# def nms(dets, thresh, force_cpu=False):# """Dispatch to either CPU or GPU NMS implementations."""# if dets.shape[0] == 0:# return []# if cfg.USE_GPU_NMS and not force_cpu:# return gpu_nms(dets, thresh, device_id=cfg.GPU_ID)# else:# return cpu_nms(dets, thresh)def nms(dets, thresh, force_cpu=False): """Dispatch to either CPU or GPU NMS implementations.""" if dets.shape[0] == 0: return [] if force_cpu: return cpu_soft_nms(dets, thresh, method = 1) #return cpu_nms(dets, thresh) return gpu_nms(dets, thresh)
修改為：
from .nms.py_cpu_nms import py_cpu_nmsdef nms(dets, thresh, force_cpu=False): """Dispatch to either CPU or GPU NMS implementations.""" if dets.shape[0] == 0: return [] if force_cpu: return py_cpu_nms(dets, thresh) return py_cpu_nms(dets, thresh)h) 修改train.py
修改選定配置的文件
parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py')
修改數(shù)據(jù)的格式parser.add_argument('-d', '--dataset', default='VOC', help='VOC or COCO dataset')
然后就可以開始訓(xùn)練了。
i) 修改test.py
parser = argparse.ArgumentParser(description='M2Det Testing')parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py', type=str)#選擇配置文件，和訓(xùn)練的配置文件對(duì)應(yīng)parser.add_argument('-d', '--dataset', default='VOC', help='VOC or COCO version')parser.add_argument('-m', '--trained_model', default='weights/M2Det_VOC_size512_netvgg16_epoch30.pth', type=str, help='Trained state_dict file path to open')parser.add_argument('--test', action='store_true', help='to submit a test file')
修改voc0712.py282行的xml路徑。將：
annopath = os.path.join( rootpath, 'Annotations', '{:s}.xml')
改為：
annopath = rootpath+'/Annotations/{:s}.xml'
測試結(jié)果：
j) 可視化結(jié)果修改demo.py中超參數(shù)
parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py', type=str)parser.add_argument('-f', '--directory', default='imgs/', help='the path to demo images')parser.add_argument('-m', '--trained_model', default='weights/M2Det_VOC_size512_netvgg16_epoch30.pth', type=str, help='Trained state_dict file path to open')
然后將部分測試圖片放到imgs文件夾下面，運(yùn)行demo.py.
以上就是關(guān)于如何檢測pos機(jī),手把手教物體檢測——M2Det的知識(shí)，后面我們會(huì)繼續(xù)為大家整理關(guān)于如何檢測pos機(jī)的知識(shí)，希望能夠幫助到大家！
