本文章简要介绍了detectron2中内置命令行工具的用法。
有关涉及使用API进行编程操作的教程,请参阅我们的Colab Notebook(https://urlify.cn/FFn26r) ,其中涵盖了如何对现有模型进行推断,以及如何在自定义数据集上训练内置模型。有关更高级的教程,请参阅我们的文档(https://detectron2.readthedocs.io/tutorials/extend.html)。预训练模型的推理演示从模型Zoo(https://urlify.cn/qeeMJz) 中选择一个模型及其配置文件 ,例如mask_rcnn_R_50_FPN_3x.yaml。我们提供demo.py样例能够运行内置标准模型的工具。使用以下命令运行它：python demo/demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input input1.jpg input2.jpg [--other-options] --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl这些配置是为了进行训练而设计的,因此我们需要指定来自model zoo模型中的MODEL.WEIGHTS来进行评估。此命令将运行推断并在OpenCV窗口中显示可视化效果。有关命令行参数的详细信息,请参阅demo.py -h或查看其源代码以了解其相关信息。一些常见的参数是：要在你的网络摄像头上运行,请把--input files 替换为--webcam要播放视频,请把--input files替换为--video-input video.mp4要在cpu上运行,请在 -opts之后添加MODEL.DEVICE cpu-。要将输出保存到目录(用于图像)或文件(用于网络摄像头或视频),请使用--output。命令行中的训练与评估我们在"tools/{,plain_} train_net.py"中提供了一个脚本,用于训练detectron2中提供的所有配置选项。你可以将其作为编写新训练脚本的参考。要使用"train_net.py"训练模型,请首先在datasets/README.md(https://urlify.cn/uI7jem) 文件之后设置相应的数据集,然后运行：python tools/train_net.py --num-gpus 8 --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml这些配置是为8-GPU训练而设计的。要在1个GPU上进行训练,请使用以下命令更改批量大小：python tools/train_net.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml SOLVER.IMS_PER_BATCH 2 SOLVER.BASE_LR 0.0025对于大多数模型,不支持CPU训练。请注意, 更改批次大小时,我们应用了线性学习率缩放规则(https://arxiv.org/abs/1706.02677) 。要评估模型的性能,请使用python tools/train_net.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml --eval-only MODEL.WEIGHTS /path/to/checkpoint_file有关更多选项,请参见python tools/train_net.py -h在你的代码中使用Detectron2的API请参阅我们的Colab Notebook (https://urlify.cn/FFn26r) , 来了解如何使用detectron2 API来进行：对现有模型进行推断在自定义数据集上训练内置模型有关在detectron2 上构建项目的更多方法,请参见detectron2/projects(https://urlify.cn/aqUj6b) 。
