coco

linux友好性令人发指！ source activate tensorflow sudo pip3 install cython (没有pip3就sudo apt install pip3) sudo git clone https://github.com/cocodataset/cocoapi.git cd cocoapi/PythonAPI 修改 Makefile 将所有 python 改为 python3 which cython 编辑上一步输出的文件，将里面 第一行 的 最后一个单词 从 python 改为 python3 sudo make 将 PythonAPI 目录下除 setup.py 之外的所有文件拷贝到 Mask_RCNN 文件夹下 cd 到 Mask_RCNN/mrcnn/samples/ 路径下 ipython 测试 import coco 如果不报错，则说明解决了这个 ModuleNotFoundError: No module named ‘pycocotools.coco’ 错误 参考资料： [1]. no module named _mask? [2]. ImportError: No module named ‘pycocotools’ [3]. COCOAPI [4]. ImportError: No module named

深度残差学习用于图像识别 摘要 更深的神经网络训练起来更困难。我们展示了一个残差学习框架来简化网络学习，这些网络比之前的要深。我们将这些层明确表述为相对于层输入的残差方程，而不是学习未引用的函数。 我们证明这些残差网络更容易优化，并且可以从深度增加中提高精度 。我们用一个深度未152层-VGG的8倍深度的残差网络在ImageNet数据集中进行了评估，但是这样的网络也是不够复杂的。这些残差网络的综合在ImageNet 测试集上测试错误率3.57%。这个结果赢得了ILSVRC2015分类任务的第一名。我们也用100和1000层的网络对CIFAR-10进行了分析。 对于很多视觉识别任务来说，网络的深度是提高性能的核心。只是因为我们极其深的网络，我们在COCO对象检测数据集上获得了一个相对28%的性能提高。深度残差网络是我们在ILSVRC和COCO2015竞赛提交作品的基础，我们在ImageNet检测任务，ImageNet定位任务，COCO检测任务，COCO分割任务中均获得了第一名。 1、引言 深度卷积神经网络对于图片分类产生了几个突破。深度网络在一个端到端的多层自然的集成了低级/中级/高级特征和分类器，levels可以倍堆叠网络的层数也就是深度丰富。最近41，44证据显示网络深度是至关重要的，并在ImageNet数据集竞赛领先的作品都是十分深的模型，深度从16【41】到30【16】

测试环境 CPU: 64位双核处理器 内存: 4G DDR3 数据库：mysql 版本大于等于 5.6 mariadb 版本大于等于 5.5.6 环境 系统: CentOS 7 IP: 192.168.244.144 设置 selinux 和防火墙 $ firewall-cmd --zone=public --add-port=80/tcp --permanent # nginx 端口 $ firewall-cmd --zone=public --add-port=2222/tcp --permanent # 用户SSH登录端口 coco $ firewall-cmd --reload # 重新载入规则 $ setenforce 0 $ sed -i "s/enforcing/disabled/g" /etc/selinux/config # 修改字符集,否则可能报 input/output error的问题,因为日志里打印了中文 $ localedef -c -f UTF-8 -i zh_CN zh_CN.UTF-8 $ export LC_ALL=zh_CN.UTF-8 $ echo 'LANG="zh_CN.UTF-8"' > /etc/locale.conf 一、准备python3和python虚拟环境 1.1 安装依赖包 $ yum -y install wget gcc

1.数据集格式需要转换成coco格式 需要coco数据集格式，json存储格式。如果用labelImg标注的voc格式需要转换格式。 https://github.com/xuhuasheng/labelImg_voc2coco 2.数据集文件夹准备 在datasets目录下建立三个文件夹， annotations 、 train 、 val 。 annotations 存放train.json和val.json。 train 和 val 文件夹分别存放训练集和测试集的图片， .jpg格式的RGB三通道图片 2. 链接到自己的数据集 在 detectron/datasets/dataset_catalog.py 里的 _DATASETS={} 添加自己的数据集链接。 注意 数据集变量的名字要包含 coco_ （因为这里是coco格式，其他的格式也有要求），这很重要，因为之后detectron会检查数据集的正确性。 4.修改配置文件config.yaml 配置文件里基本是模型的各种参数，调参也是在这里面调。 这里使用的是 faster-rcnn-R50-FPN 模型，仅用作目标检测，并没有mask目标分割 configs/12_2017_baselines/e2e_faster_rcnn_R-50-FPN_1x.yaml 主要修改一下几项（蓝色修改部分， NUM_CLASSES:

快如闪电的目标检测YOLOv3算法，有了TensorFlow实现 原创 量子位 2019-01-12 11:11:20 方栗子 发自 凹非寺 量子位 报道 | 公众号 QbitAI △ 来自YOLOv3原作者 YOLOv3，快如闪电，可称目标检测之光。 PyTorch实现早在去年4月就出现了，TensorFlow实现却迟迟不见。 现在，有位热心公益的程序猿 (Yunyang1994) ，为它做了纯TensorFlow代码实现。 这份实现，支持用自己的数据训练模型。 介绍一下 TensorFlow实现，包含了以下部分： · YOLOv3架构· 权重转换器 (Weight Converter)· 基础版Demo· GPU和CPU上都支持非极大抑制 (Non-Maximum Suppression)· 训练pipeline· COCO mAP计算 △ 来自YOLOv3原作者 快速开始 四个步骤，速速上车。 1.复制这个文件： 1$ git clone https://github.com/YunYang1994/tensorflow-yolov3.git 2.在食用代码前，先安装一些依赖项： 1$ cd tensorflow-yolov3 2$ pip install -r ./docs/requirements.txt 3.把加载好的COCO权重导出为TF checkpoint

0. 前言介绍 开源地址： https://github.com/matterport/Mask_RCNN 个人主页： http://www.yansongsong.cn/ MaskRCNN是何凯明基于以往的faster rcnn架构提出的新的卷积网络，一举完成了object instance segmentation. 该方法在有效地目标的同时完成了高质量的语义分割。 文章的主要思路就是把原有的Faster-RCNN进行扩展，添加一个分支使用现有的检测对目标进行并行预测。 此开源代码：这是在Python 3，Keras和TensorFlow上实现 Mask R-CNN 。该模型为图像中对象的每个实例生成边界框和分割蒙版。它基于特征金字塔网络（FPN）和ResNet101骨干网。 存储库包括： Mask R-CNN的源代码，建立在FPN和ResNet101之上。 MS COCO的培训代码 MS COCO的预训练重量 Jupyter笔记本可以在每一步都可视化检测管道 ParallelModel类用于多GPU培训 评估MS COCO指标（AP） 您自己的数据集培训示例 代码记录在案，设计易于扩展。如果您在研究中使用它，请考虑引用此存储库（下面的bibtex）。如果您从事3D视觉，您可能会发现我们最近发布的 Matterport3D 数据集也很有用