Detectron: Cara melatih kumpulan data khusus.

Dibuat pada 25 Jan 2018  ·  5Komentar  ·  Sumber: facebookresearch/Detectron

Hai! Pertama, terima kasih atas pekerjaan luar biasa Anda.
Saya menyelesaikan pelatihan RetinaNet dengan kumpulan data COCO seperti yang Anda instruksikan.
Saya ingin melatih kumpulan data saya sendiri dengan RetinaNet atau model dasar lainnya.

Saya melihat struktur kode di dalam dan menemukan bahwa semua konfigurasi model didefinisikan dalam file * .yaml dan train_net.py membaca file * .yaml dan membangun database dari file .jason di direktori penjelasan COCO.

Jadi, jika saya ingin melatih kumpulan data saya sendiri, satu-satunya cara adalah menghasilkan file .json yang mirip dengan penjelasan COCO?

question

Komentar yang paling membantu

@ nonstop1962 : ya, cara yang disarankan adalah mengonversi kumpulan data Anda ke format penjelasan COCO json. Untuk kotak pembatas, ini biasanya dapat dilakukan dalam <100 baris Piton. Tentu saja Anda dapat membuat modifikasi sewenang-wenang pada kode Detectron untuk mendukung format kustom, tetapi itu mungkin lebih sulit dan lebih rentan terhadap masalah dengan kasus sudut yang terlewat.

Semua 5 komentar

@ nonstop1962 : ya, cara yang disarankan adalah mengonversi kumpulan data Anda ke format penjelasan COCO json. Untuk kotak pembatas, ini biasanya dapat dilakukan dalam <100 baris Piton. Tentu saja Anda dapat membuat modifikasi sewenang-wenang pada kode Detectron untuk mendukung format kustom, tetapi itu mungkin lebih sulit dan lebih rentan terhadap masalah dengan kasus sudut yang terlewat.

Terima kasih atas jawaban Anda!

Terima kasih untuk @rbgirshick !

Oke, jadi Bisakah saya mendapatkan set data pelatihan jika saya ingin menyegmentasikan T-Shirt?
misalnya, JSON memanfaatkan COCO API.

Menurut saya platform ini bisa melakukan segmentasi.
baik??

Terima kasih ~!

Hai,
bagi yang membutuhkan, berikut ini script untuk mengonversi penjelasan xml pascal voc ke format coco json: https://github.com/gamcoh/Object-Detection-Tools/blob/master/pascal_voc_xml2coco_json.py

Terima kasih gamcoh

Apakah halaman ini membantu?
0 / 5 - 0 peringkat