Model Faster R-CNN

Tvým dalším úkolem je sestavit model Faster R-CNN, který dokáže v obrázku detekovat objekty různých velikostí. K tomu využiješ šikovnou třídu MultiScaleRoIAlign() z balíčku torchvision.ops.

Třída FasterRCNN byla naimportována z torchvision.models.detection. anchor_generator z předchozího cvičení máš k dispozici ve svém pracovním prostředí a torch, torch.nn jako nn a torchvision jsou také naimportovány.

Toto cvičení je součástí kurzu

Deep Learning pro obrázky s PyTorchem

Zobrazit kurz

Pokyny k cvičení

Naimportuj MultiScaleRoIAlign z torchvision.ops.
Vytvoř instanci RoI pooleru pomocí MultiScaleRoIAlign s parametrem featmap_names nastaveným na ["0"], output_size na 7 a sampling_ratio na 2.
Sestav model Faster R-CNN a předej mu backbone, num_class pro binární klasifikaci, anchor_generator a roi_pooler.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import MultiScaleRoIAlign
____

# Instantiate RoI pooler
roi_pooler = ____(
	____,
	____,
	____,
)

mobilenet = torchvision.models.mobilenet_v2(weights="DEFAULT")
backbone = nn.Sequential(*list(mobilenet.features.children()))
backbone.out_channels = 1280

# Create Faster R-CNN model
model = ____(
	backbone=____
	num_classes=____,
	anchor_generator=____,
	box_roi_pool=____,
)

Upravit a spustit kód