AdelaiDet: 强大而灵活的实例级识别工具箱

Ray

AdelaiDet

AdelaiDet简介

AdelaiDet是由阿德莱德大学计算机视觉实验室开发的一个开源工具箱,专注于实例级识别任务。它建立在Facebook的Detectron2框架之上,集成了多种最先进的算法,为研究人员和开发者提供了一个强大而灵活的平台,用于进行对象检测、实例分割、文本识别等多种计算机视觉任务。

AdelaiDet的名称源自"Adelaide"(阿德莱德)和"Detection"(检测)的组合,体现了其起源和主要功能。该项目自2019年发布以来,已经在GitHub上获得了超过3400颗星,成为计算机视觉领域备受关注的开源项目之一。

AdelaiDet的主要特点

1. 多样化的算法支持

AdelaiDet集成了多种先进的计算机视觉算法,包括但不限于:

FCOS (Fully Convolutional One-Stage Object Detection)
BlendMask (实例分割算法)
MEInst (Mask Encoding for Single Shot Instance Segmentation)
ABCNet (用于场景文本识别的自适应Bezier曲线网络)
CondInst (基于条件卷积的实例分割方法)
SOLO和SOLOv2 (用于实例分割的新方法)
BoxInst (仅使用边界框标注的实例分割方法)
DenseCL (自监督视觉预训练方法)
FCPose (全卷积多人姿态估计)

这些算法覆盖了对象检测、实例分割、文本识别、姿态估计等多个领域,为研究人员提供了丰富的选择。

2. 高性能和灵活性

AdelaiDet不仅提供了这些算法的实现,还针对性能进行了优化。例如,在COCO数据集上的实验结果显示:

FCOS_RT_MS_DLA_34_4x_shtw模型在52 FPS的速度下达到了39.1的box AP
BlendMask R_101_dcni3_5x模型在10 FPS的速度下实现了46.8的box AP和41.1的mask AP

这些结果表明,AdelaiDet能够在保证高精度的同时,实现较快的推理速度,适合各种实际应用场景。

3. 易于使用和扩展

AdelaiDet的设计理念注重易用性和可扩展性:

提供了详细的安装指南和快速启动教程
支持通过配置文件轻松修改模型参数和训练策略
具有良好的模块化设计,便于研究人员进行二次开发和定制

4. 丰富的预训练模型

AdelaiDet提供了大量预训练模型,覆盖了各种算法和backbone网络的组合。这些模型可以直接用于推理,也可以作为微调的起点,大大减少了研究人员的工作量。

5. 活跃的社区支持

作为一个开源项目,AdelaiDet拥有活跃的开发者社区。项目维护者和贡献者们持续更新和改进代码,解答用户问题,保证了工具箱的持续发展和稳定性。

AdelaiDet的安装和使用

安装步骤

首先需要按照官方指南安装Detectron2。
然后克隆AdelaiDet仓库并安装:

git clone https://github.com/aim-uofa/AdelaiDet.git
cd AdelaiDet
python setup.py build develop

对于使用Docker的用户,可以直接拉取预构建的镜像:

docker pull tianzhi0549/adet:latest

快速开始

使用预训练模型进行推理

选择一个模型及其配置文件,例如fcos_R_50_1x.yaml。
下载对应的模型权重文件。
运行演示脚本:

python demo/demo.py \
    --config-file configs/FCOS-Detection/R_50_1x.yaml \
    --input input1.jpg input2.jpg \
    --opts MODEL.WEIGHTS fcos_R_50_1x.pth

训练自己的模型

首先按照Detectron2的说明设置数据集。
使用train_net.py脚本开始训练:

OMP_NUM_THREADS=1 python tools/train_net.py \
    --config-file configs/FCOS-Detection/R_50_1x.yaml \
    --num-gpus 8 \
    OUTPUT_DIR training_dir/fcos_R_50_1x

训练完成后,可以使用以下命令评估模型:

OMP_NUM_THREADS=1 python tools/train_net.py \
    --config-file configs/FCOS-Detection/R_50_1x.yaml \
    --eval-only \
    --num-gpus 8 \
    OUTPUT_DIR training_dir/fcos_R_50_1x \
    MODEL.WEIGHTS training_dir/fcos_R_50_1x/model_final.pth