Faster R-CNN 模型

接下来，您将构建一个 Faster R-CNN 模型，用于在图像中检测不同尺寸的目标。本任务将使用 torchvision.ops 中的实用类 MultiScaleRoIAlign()。

FasterRCNN 类已从 torchvision.models.detection 导入。上一个练习中创建的 anchor_generator 已在您的工作区可用，且已导入 torch、将 torch.nn 作为 nn、以及 torchvision。

本练习是课程的一部分

使用 PyTorch 进行图像深度学习

查看课程

练习说明

从 torchvision.ops 导入 MultiScaleRoIAlign。
使用 MultiScaleRoIAlign 实例化 RoI 池化器，featmap_names 设为 ["0"]，output_size 设为 7，sampling_ratio 设为 2。
创建 Faster R-CNN 模型，并传入 backbone、用于二分类的 num_class、anchor_generator 和 roi_pooler。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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=____,
)

编辑并运行代码