SOLOv 2：實例分割（動態、更快、更強）

論文鏈接：https://arxiv.org/abs/1912.04488

論文解讀博文

https://blog.csdn.net/sanshibayuan/article/details/103895058

就目前來講，很多實例分割算法存在的問題弊端主要是：

速度太慢了，比如Maskrcnn，雖然聲名遠揚，但是要把它部署到realtime，還是很困難的；

精度不夠，比如Yolact，即便是Yolact++，其精度其實也只能說差強人意，連MaskRCNN都比不上的實力分割，速度再快，也會限制它的使用場景；

BlendMask，CenterMask這類的算法，都差不多，基于FCOS構建，本質上沒啥區別，還是和MaskRCNN整體流程差不多，只不過檢測器變了而已，對于部署來說依舊很麻煩。

對于許多二階段的實例分割算法，轉換到另一個推理平臺很麻煩，主要是這里面存在RPN的一些操作，即便是類似于CenterMask這樣的模型，也需要先獲取box，然后經過ROIAlign和ROIPool來得到需要的mask，這個過程不僅計算繁瑣，而且很難導出到我們想要的模型格式，比如ONNX就不支持這里面的很多op。SOLOV2的性能似乎比maskrcnn差不多，推理速度只要一半，并且速度和精確度都超過了BlendMask。

通過改進，SOLOv2的AP性能比SOLOv1高出1.9%，而速度提高了33%。Res-50-FPN SOLOv2在具有挑戰性的MS-COCO數據集上以18 FPS的速度實現38.8%的掩模AP，在單個V100 GPU卡上進行評估。一個輕量級版本的SOLOv2以31.3FPS的速度執行，產生37.1%的掩模AP。有趣的是，雖然本文的方法徹底消除了bounding box的概念，但是本文的bounding box的副產品，即直接將預測的掩模轉換為bounding box，產生42.4%的AP用于bounding box對象檢測，它甚至超過了許多最先進、高度工程化的目標檢測方法。

跑通SOLOV1-V2實例分割代碼

系統平臺：Ubuntu18.04

硬件平臺：RTX2080 super

cuda和cudnn版本：cuda10.0 cudnn：7.5.6

pytorch版本：pytorch1.2.0

環境安裝：

完成上面操作就可以跑demo了，但是solo只給了單張圖片的預測，攝像頭預測是無法運行的，下面的代碼是攝像頭實時檢測的代碼，大家可以試一下：

---

代碼獲取方式：

分享本文到朋友圈

關注微信公眾號 datayx 然后回復實例分割即可獲取。

AI項目體驗地址https://loveai.tech

店鋪地址：

https://shop585613237.taobao.com

↓

數據集準備：

我們標注數據集使用的是labelme來標注，每一個圖片會生成一個json標注文件，標注完成后我們需要將我們所有json文件合并為一個json文件。代碼如下：

轉換完之后，我們需要生成如下幾個文件夾。annotations存儲的是我們上面轉換的json文件。train2017和val2017存儲的是訓練和測試的圖片。

創建我們自己的數據集。在SOLO/mmdet/datasets文件夾下面創建我們自己的數據集，我創建的是pig_data.py文件：

修改SOLO/mmdet/datasets/__init__.py文件，將我們的數據集加進去。

修改訓練文件：

模型訓練文件在SOLO/configs/solo文件夾下，我修改的是solo_r50_fpn_8gpu_3x.py。你想要訓練哪個就修改哪個。

這樣就可以完成solo訓練自己的數據集了，經過測試分割效果很出色，邊緣信息也比較好。

機器學習算法AI大數據技術

搜索公眾號添加：datanlp

長按圖片，識別二維碼

總結

以上是生活随笔為你收集整理的跑通SOLOV1-V2实例分割代码，并训练自己的数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。