【YOLACT】代码解读

【YOLACT】代码解读

• 代码运行
• 验证
• 处理图片
• 训练

代码运行

根据github所给指导一步一步进行，如果曾经下载好coco数据集，在data/config.py108行以下修改数据集的目录，并且在run_coco_eval.py16行修改验证集annotation文件的路径。

验证

有以下三种评估方式：
first

python eval.py --trained_model=weights/yolact_base_54_800000.pth

以上命令不使用coco数据集自带的模型评估COCOEval，而是使用自己定义的评估函数。
second

python eval.py --trained_model=weights/yolact_base_54_800000.pth --output_coco_json
python run_coco_eval.py

首先通过第一条命令生成’./results/bbox_detections.json’ and ‘./results/mask_detections.json’ 两个文件，第一个文件保存的是网络输出的预测框（坐标、类别及分数），然后通过第二条命令利用COCOEval来评估模型，可以看出和第一条命令的评估结果相差无几。

third

python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --display

上述命令可以自定义分数阈值，凡是低于该阈值的都会被过滤，其次也可以选取前多少个作为要评估的输出。

处理图片

# 处理指定图片，通过plt显示结果
python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --image=my_image.png

# 处理一张图片，结果存入另一张照片
python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --image=input_image.png:output_image.png

#处理一个文件夹中所有图片
python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --images=path/to/input/folder:path/to/output/folder

训练

根据指导下载好权重并放到weights/文件夹下。

# 默认batchsize是8，resnet101_backbone
python train.py --config=yolact_base_config

来源：CSDN

作者：Hanawh

链接：https://blog.csdn.net/qq_36530992/article/details/103969774