Modèle Faster R-CNN

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

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

Cet exercice fait partie du cours

Deep Learning pour l’image avec PyTorch

Afficher le cours

Instructions

Importez MultiScaleRoIAlign depuis torchvision.ops.
Instanciez le pooler RoI en utilisant MultiScaleRoIAlign avec featmap_names défini 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 cet exemple de code.

# 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