Schnelleres R-CNN-Modell

Als Nächstes musst du ein Faster-R-CNN-Modell erstellen, das Objekte unterschiedlicher Größe in einem Bild erkennen kann. Für diese Aufgabe wirst du die praktische Klasse „ MultiScaleRoIAlign() ” von torchvision.ops verwenden.

FasterRCNN Die Klasse wurde von torchvision.models.detection importiert. torchvision Deine Datei „ anchor_generator ” aus der letzten Übung ist jetzt in deinem Arbeitsbereich verfügbar und „ torch ”, „ torch.nn ” und „ nn ” wurden importiert.

Diese Übung ist Teil des Kurses

Deep Learning für Bilder mit PyTorch

Kurs anzeigen

Anleitung zur Übung

Importiere MultiScaleRoIAlign aus torchvision.ops.
Instanziere den RoI-Pooler mit „ MultiScaleRoIAlign “, wobei „ featmap_names “ auf „ ["0"] “, „ output_size “ auf „ 7 “ und „ sampling_ratio “ auf „ 2 “ gesetzt sind.
Erstell das Faster R-CNN-Modell, indem du die folgenden Dateien übergibst: „ backbone “, „ num_class “ für eine binäre Klassifizierung, „ anchor_generator “ und „ roi_pooler “.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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=____,
)

Code bearbeiten und ausführen