Modèle Faster R-CNN

Votre prochaine tâche consiste à créer un modèle Faster R-CNN capable de détecter des objets de différentes tailles dans une image. Pour ce faire, vous utiliserez la classe pratique MultiScaleRoIAlign() de torchvision.ops.

La classe FasterRCNN a été importée de torchvision.models.detection. Votre anchor_generator de l'exercice précédent est disponible dans votre espace de travail et torch, torch.nn sous nn, ainsi que torchvision, ont été importés.

Cette activité fait partie du cours

Deep Learning pour les images avec PyTorch

Voir le cours

Instructions de l’exercice

Importez MultiScaleRoIAlign à partir de torchvision.ops.
Instanciez le regroupeur de régions (RoI pooler) avec MultiScaleRoIAlign, en fixant featmap_names à ["0"], output_size à 7 et sampling_ratio à 2.
Créez le modèle Faster R-CNN en lui passant le backbone, num_class pour une classification binaire, anchor_generator et roi_pooler.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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=____,
)

Modifier et exécuter le code