Modelo R-CNN mais rápido

A próxima tarefa é criar um modelo Faster R-CNN que consiga detectar objetos de tamanhos diferentes em uma imagem. Pra essa tarefa, você vai usar uma classe bem útil chamada MultiScaleRoIAlign(), que tá em torchvision.ops.

FasterRCNN A classe foi importada de torchvision.models.detection. Seu arquivo “ anchor_generator ” do último exercício tá disponível na sua área de trabalho e os arquivos “ torch ”, “ torch.nn ”, “ nn ” e “ torchvision ” foram importados.

Este exercício faz parte do curso

Aprendizado profundo para imagens com PyTorch

Ver curso

Instruções do exercício

Importe MultiScaleRoIAlign de torchvision.ops.
Instanciar o pooler RoI usando MultiScaleRoIAlign com featmap_names definido como ["0"], output_size como 7 e sampling_ratio como 2.
Crie o modelo Faster R-CNN passando-lhe o backbone, num_class para uma classificação binária, anchor_generator e roi_pooler.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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 e executar o código