Modelo R-CNN más rápido

Tu siguiente tarea consiste en crear un modelo Faster R-CNN capaz de detectar objetos de diferentes tamaños en una imagen. Para esta tarea, utilizarás una clase muy útil llamada « MultiScaleRoIAlign() » (clase de controlador de eventos) de torchvision.ops.

FasterRCNN La clase se ha importado desde torchvision.models.detection. Tu archivo anchor_generator del último ejercicio está disponible en tu espacio de trabajo y torch, torch.nn como nn, y torchvision se han importado.

Este ejercicio forma parte del curso

Aprendizaje profundo para imágenes con PyTorch

Ver curso

Instrucciones del ejercicio

Importa MultiScaleRoIAlign desde torchvision.ops.
Instancia el agrupador RoI utilizando MultiScaleRoIAlign con featmap_names establecido en ["0"], output_size en 7 y sampling_ratio en 2.
Crea el modelo Faster R-CNN pasándole el backbone, num_class para una clasificación binaria, anchor_generator y roi_pooler.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# 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=____,
)

Editar y ejecutar código