✨写在前面：强烈推荐给大家一个优秀的人工智能学习网站，内容包括人工智能基础、机器学习、深度学习神经网络等，详细介绍各部分概念及实战教程，通俗易懂，非常适合人工智能领域初学者及研究者学习。➡️点击跳转到网站。
目标检测实战
前言：本篇主要偏向目标检测实战部分，使用MMDetection工具进行代码应用，最后对水果进行检测实战演示，本次环境和代码配置部分省略，具体内容建议参考前一篇文章：
计算机视觉框架OpenMMLab开源学习（四）：目标检测基础
本节内容：
MMDetection项目概览
MMDetection运行环境搭建
使用MMDetection进行模型推理
使用MMDetection训练模型，检测图像中水果
一、MMDetection介绍：
二、项目实战
步骤 1. 使用 MIM 安装 MMEngine 和 MMCV。
-
pip install -U openmim
-
mim install mmengine
-
mim install
"mmcv>=2.0.0rc1" 步骤 #注意这里的mmcv是
2.x
步骤 2. 安装 MMDetection
-
git clone https:
/
/github.com
/open-mmlab
/mmdetection.git -b
3.x #
"-b 3.x"表示切换到 `
3.x` 分支。
-
cd mmdetection
-
pip install -v -e .
-
#
"-v" 指详细说明，或更多的输出 #
"-e" 表示在可编辑模式下安装项目，因此对代码所做的任何本地修改都会生效，从而无需重新安装。
验证安装
步骤 1. 下载配置文件和模型权重文件。
mim download mmdet --config yolov3_mobilenetv2_8xb24-320-300e_coco --dest .下载完成后在当前文件夹中发现两个文件 yolov3_mobilenetv2_8xb24-320-300e_coco.py 和 yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth。
步骤 2. 推理验证
方案 a：如果你通过源码安装的 MMDetection，那么直接运行以下命令进行验证：
-
python demo
/image_demo.py demo
/demo.jpg \
-
yolov
3_mobilenetv
2_
8xb
24-
320-
300e_coco.py \
-
yolov
3_mobilenetv
2_
320_
300e_coco_
20210719_
215349-d
18dff
72.pth \
-
--device cpu --out-file result.jpg
在当前文件夹中看到一个新的图像 result.jpg，图像中包含有网络预测的检测框。
可视化图片和预测结果
mmdet3.x引入visualizer, 使用前需要配合模型先注册再使用（model.cfg.visualizer），且对于一个模型，只要注册一次就行了，注册多个visualizer实例会有报错
-
from mmdet.registry import VISUALIZERS
-
-
# Init visualizer
-
visualizer
= VISUALIZERS.build(model.cfg.visualizer)
-
# The dataset_meta
is loaded
from the checkpoint
and
-
#
then pass
to the model
in init_detector
-
visualizer.dataset_meta
= model.dataset_meta
-
#
Test a single image
and show the results
-
-
# Show the results
-
visualizer.
add_datasample(
-
'result',
-
img,
-
data_sample
=result,
-
draw_gt
=
False,
-
show
=
True)
-
# visualizer.show()
测试视频: 使用相同的模型和展示结果
同样的，这个可视化也是很依赖model的，model.cfg.test_dataloader.dataset.pipeline , 需要进行一定的配置来建立pipeline
result = inference_detector(model, frame, test_pipeline=test_pipeline) 这一行其实和对单张图片的检测是一样的，frame是一帧，可以看为一张图片，只不过多了 test_pipeline
-
import cv
2
-
from mmcv.transforms import Compose
-
from mmengine.utils import track_iter_progress
-
-
#
Test a video
and show the results
-
# Build
test pipeline
-
model.cfg.
test_dataloader.dataset.pipeline[
0].
type
=
'LoadImageFromNDArray'
-
test_pipeline
= Compose(model.cfg.
test_dataloader.dataset.pipeline)
-
-
# # Init visualizer
-
# visualizer
= VISUALIZERS.build(model.cfg.visualizer)
-
# # The dataset_meta
is loaded
from the checkpoint
and
-
# #
then pass
to the model
in init_detector
-
visualizer.dataset_meta
= model.dataset_meta
-
-
# The interval
of show (s),
0
is
block
-
wait_
time
=
1
-
-
video_reader
= mmcv.VideoReader(
'demo/demo.mp4')
-
-
cv2.namedWindow(
'video',
0)
-
-
for frame
in track_iter_progress(video_reader):
-
result
= inference_detector(model, frame,
test_pipeline
=
test_pipeline)
-
visualizer.
add_datasample(
-
name
=
'video',
-
image
=frame,
-
data_sample
=result,
-
draw_gt
=
False,
-
show
=
False)
-
frame
= visualizer.
get_image()
-
mmcv.imshow(frame,
'video', wait_
time)
-
-
cv2.destroyAllWindows()
未更完！！！！
转载：https://blog.csdn.net/qq_36816848/article/details/128975367