Scopri come addestrare modelli di rilevamento degli oggetti con MMDetection

Addestra modelli di rilevamento oggetti con MMDetection

Un tutorial passo-passo sulla formazione di modelli di intelligenza artificiale all’avanguardia con MMdetection 3.1, CVAT e TensorBoard

Output del terminale di un processo di formazione in esecuzione con MMDetection

Se desideri allenare reti neurali, puoi utilizzare le popolari librerie di apprendimento profondo TensorFlow o PyTorch.

Tuttavia, in questi giorni, ci sono molti framework che sono costruiti sopra questi due e rendono il processo di formazione molto più facile da usare.

Se desideri semplicemente allenare un modello all’avanguardia con il tuo set di dati e non preoccuparti troppo dei dettagli sottostanti, uno di questi framework potrebbe essere più adatto a te.

MMDetection è una cassetta degli attrezzi facile da usare basata su PyTorch per la rilevazione degli oggetti, la segmentazione delle istanze e la segmentazione panottica.

Attualmente ha 25,3K stelle su GitHub ed è stato creato da OpenMMLab. In totale, OpenMMLab attualmente ha 16 repository per 48 diverse attività di visione artificiale con 2404 diversi modelli di intelligenza artificiale [1]. A proposito, OpenMMLab ha anche un account VoAGI.

In questo tutorial passo-passo, copriremo l’intero processo di formazione per un modello di visione artificiale utilizzando MMDetection.

Utilizzeremo la nuova versione di MMDetection 3.1 per allenare un modello di rilevamento degli oggetti basato sull’architettura Faster R-CNN. Come dati di formazione, utilizzeremo un set di dati personalizzato annotato con CVAT. Utilizzeremo anche TensorBoard per monitorare il processo di formazione.

Seguirà l’outline seguente in questo tutorial:

  1. Configurazione di MMDetection
  2. Annotazione delle immagini con CVAT
  3. Personalizzazione delle configurazioni di MMdetection
  4. Costruzione ed esecuzione di MMDetection
  5. Monitoraggio del processo di formazione con TensorBoard
  6. Conclusioni

Quindi, iniziamo!

Configurazione di MMDetection

Per eseguire MMDetection, costruiremo la nostra immagine Docker e quindi eseguiremo un container per avviare il processo di formazione.

In questo tutorial, utilizzeremo la seguente struttura dei file:

mmdet/├── data/│   ├── test/│   │   ├── annotations/│   │   └──…