Detectron2的使用指南

Posted 2023-03-03 SpikeKing

Detectron2是Facebook开源的深度学习的目标检测（Object Detection）框架，支持深度学习中常见的目标检测、实例分割、姿态估计等任务。

• GitHub：https://github.com/facebookresearch/detectron2

---

安装Detectron2

参考

支持从源码构建再安装或者直接从pip安装，推荐直接从pip安装，比较便捷，限制较少。

• 注意：如果从源码安装，需要GCC支持5.0+，部分服务器可能不支持。

pip支持的CUDA+torch版本，如下：

检查服务器的CUDA版本：nvidia-smi，当前版本是10.2，如下：

检查服务器的torch版本：pip3 show torch，当前版本是1.7.0，如下：

检查服务器的Python版本：python3 -version，当前版本是3.7.5rc1，如下：

因此，选择CUDA 10.2 + torch 1.7版本，推荐按照命令如下：

python -m pip install detectron2 -f \\
  https://dl.fbaipublicfiles.com/detectron2/wheels/cu102/torch1.7/index.html

建议直接到index.html页面，下载相应的包文件：

下载whl文件：

wget https://dl.fbaipublicfiles.com/detectron2/wheels/cu102/torch1.7/detectron2-0.5+cu102-cp37-cp37m-linux_x86_64.whl

安装whl文件：

pip3 install --user detectron2-0.5+cu102-cp37-cp37m-linux_x86_64.whl

---

测试工程

以实例分割算法-PointRend为例，使用的数据集是COCO。由于COCO数据集较大，我们选择Tiny-COCO，仅包含16张图像的微型数据集。

准备数据集：

在PointRend目录下，构建datasets/coco/，annotations中是标注文件，train2017中是样本图像，即：

• annotations/instances_train2017.json
• train2017/…

执行：

python3 train_net.py --config-file configs/InstanceSegmentation/pointrend_rcnn_R_50_FPN_1x_coco.yaml --num-gpus 1

即可训练

关于模型存储，存储位置由OUTPUT_DIR参数控制，存储间隔由SOLVER.CHECKPOINT_PERIOD控制

• OUTPUT_DIR: ./output
• CHECKPOINT_PERIOD: 5000

在pointrend_rcnn_R_50_FPN_1x_coco.yaml文件中，修改参数即可，如：

SOLVER:
  CHECKPOINT_PERIOD: 2

参考：

• Does the model save automatically during training, if no where to add that?

---