网上有很多关于如何检测pos机,手把手教物体检测——M2Det的知识，也有很多人为大家解答关于如何检测pos机的问题，今天pos机之家(www.poszjia.com)为大家整理了关于这方面的知识，让我们一起来看下吧!
本文目录一览：
1、如何检测pos机
如何检测pos机
模型介绍物体检测模型M2Det，是北京大学&阿里达摩院提出的Single-shot目标检测新模型，使用multi-level特征。在MS-COCO benchmark上，M2Det的单尺度版本和多尺度版本AP分别达到41.0和44.2 。
该模型的特点：
· 提出多级特征金字塔网络MLFPN。MLFPN的结构如下：
· 基于提出的MLFPN，结合SSD，提出一种新的Single-shot目标检测模型M2Det
模型使用a) 下载源码:"。
b) 在data文件夹下新建VOCdevkit文件夹，导入VOC格式的数据集。如下图：c) 下载权重文件，放在weights（如果没有就在根目录新建）文件夹下面。d) 修改voc0712.py里面的类别。将：
VOC_CLASSES = ( '__background__', # always index 0 'aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor')
修改为：
VOC_CLASSES = ( '__background__', # always index 0 'aircraft', 'oiltank')
e) 选择配置文件。本例采用configs->m2det512_vgg.py配置文件
model = dict( type = 'm2det', input_size = 512, init_net = True, pretrained = 'weights/vgg16_reducedfc.pth', m2det_config = dict( backbone = 'vgg16', net_family = 'vgg', # vgg includes ['vgg16','vgg19'], res includes ['resnetxxx','resnextxxx'] base_out = [22,34], # [22,34] for vgg, [2,4] or [3,4] for res families planes = 256, num_levels = 8, num_scales = 6, sfam = False, smooth = True, num_classes = 3,#更改类别，按照数据集里面的类别数量+1(背景) ), rgb_means = (104, 117, 123), p = 0.6, anchor_config = dict( step_pattern = [8, 16, 32, 64, 128, 256], size_pattern = [0.06, 0.15, 0.33, 0.51, 0.69, 0.87, 1.05], ), save_eposhs = 10, weights_save = 'weights/' #保存权重文件的目录 )train_cfg = dict( cuda = True,#是否使用cuda warmup = 5, per_batch_size = 2,#修改batchsize，按照自己显卡的能力修改 lr = [0.004, 0.002, 0.0004, 0.00004, 0.000004],#学利率调整，调整依据step_lr的epoch数值。 gamma = 0.1, end_lr = 1e-6, step_lr = dict( COCO = [90, 110, 130, 150, 160], VOC = [100, 150, 200, 250, 300], # unsolve ), print_epochs = 10,#每个10个epoch保存一个模型。 num_workers= 2,#线程数，根据CPU调整 )test_cfg = dict( cuda = True, topk = 0, iou = 0.45, soft_nms = True, score_threshold = 0.1, keep_per_class = 50, save_folder = 'eval' )loss = dict(overlap_thresh = 0.5, prior_for_matching = True, bkg_label = 0, neg_mining = True, neg_pos = 3, neg_overlap = 0.5, encode_target = False)optimizer = dict(type='SGD', momentum=0.9, weight_decay=0.0005)#激活函数。
#修改dataset，本例采用VOC2007数据集，将COCO的删除即可,删除VOC2012
dataset = dict( VOC = dict( train_sets = [('2007', 'trainval')], eval_sets = [('2007', 'test')], ) )import osimport oshome = ""#home路径，默认是linux的，本例采用win10，讲其修改为""VOCroot = os.path.join(home,"data/VOCdevkit/")COCOroot = os.path.join(home,"data/coco/")f) 删除pycocotools
在安装pycocotools工具前提下，将程序自带的pycocotools工具包删除。
修改coco.py
将：
from utils.pycocotools.coco import COCOfrom utils.pycocotools.cocoeval import COCOevalfrom utils.pycocotools import mask as COCOmask
修改为：
from pycocotools.coco import COCOfrom pycocotools.cocoeval import COCOevalfrom pycocotools import mask as COCOmask
g) 修改nms_wrapper.py将：
from .nms.cpu_nms import cpu_nms, cpu_soft_nmsfrom .nms.gpu_nms import gpu_nms# def nms(dets, thresh, force_cpu=False):# """Dispatch to either CPU or GPU NMS implementations."""# if dets.shape[0] == 0:# return []# if cfg.USE_GPU_NMS and not force_cpu:# return gpu_nms(dets, thresh, device_id=cfg.GPU_ID)# else:# return cpu_nms(dets, thresh)def nms(dets, thresh, force_cpu=False): """Dispatch to either CPU or GPU NMS implementations.""" if dets.shape[0] == 0: return [] if force_cpu: return cpu_soft_nms(dets, thresh, method = 1) #return cpu_nms(dets, thresh) return gpu_nms(dets, thresh)
修改为：
from .nms.py_cpu_nms import py_cpu_nmsdef nms(dets, thresh, force_cpu=False): """Dispatch to either CPU or GPU NMS implementations.""" if dets.shape[0] == 0: return [] if force_cpu: return py_cpu_nms(dets, thresh) return py_cpu_nms(dets, thresh)h) 修改train.py
修改选定配置的文件
parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py')
修改数据的格式parser.add_argument('-d', '--dataset', default='VOC', help='VOC or COCO dataset')
然后就可以开始训练了。
i) 修改test.py
parser = argparse.ArgumentParser(description='M2Det Testing')parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py', type=str)#选择配置文件，和训练的配置文件对应parser.add_argument('-d', '--dataset', default='VOC', help='VOC or COCO version')parser.add_argument('-m', '--trained_model', default='weights/M2Det_VOC_size512_netvgg16_epoch30.pth', type=str, help='Trained state_dict file path to open')parser.add_argument('--test', action='store_true', help='to submit a test file')
修改voc0712.py282行的xml路径。将：
annopath = os.path.join( rootpath, 'Annotations', '{:s}.xml')
改为：
annopath = rootpath+'/Annotations/{:s}.xml'
测试结果：
j) 可视化结果修改demo.py中超参数
parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py', type=str)parser.add_argument('-f', '--directory', default='imgs/', help='the path to demo images')parser.add_argument('-m', '--trained_model', default='weights/M2Det_VOC_size512_netvgg16_epoch30.pth', type=str, help='Trained state_dict file path to open')
然后将部分测试图片放到imgs文件夹下面，运行demo.py.
以上就是关于如何检测pos机,手把手教物体检测——M2Det的知识，后面我们会继续为大家整理关于如何检测pos机的知识，希望能够帮助到大家！
