py-faster-rcnn

الوصف

py-faster-rcnn هو إعادة تطبيق بلغة بايثون لإطار عمل اكتشاف الكائنات Faster R-CNN، والذي تم تطويره في الأصل بلغة MATLAB. يهدف هذا المشروع، المستضاف على GitHub، إلى توفير إصدار بايثون وظيفي للباحثين والمطورين. بينما يحقق متوسط دقة متوسط (mAP) مماثل للكود الرسمي بلغة MATLAB، إلا أنه أبطأ بحوالي 10٪ في وقت الاختبار. يُعزى هذا الاختلاف في الأداء إلى تنفيذ بعض العمليات على وحدة المعالجة المركزية داخل طبقات بايثون، مما يؤدي إلى حوالي 220 مللي ثانية لكل صورة لشبكة VGG16 مقارنة بـ 200 مللي ثانية للإصدار بلغة MATLAB.

يعتمد التنفيذ على نسخة معدلة من Fast R-CNN ويتضمن ميزات مثل التدريب المشترك التقريبي، والذي يكون أسرع بحوالي 1.5 مرة من التحسين المتناوب لشبكة VGG16. تم وصف المشروع لأول مرة في تقرير فني على arXiv ونُشر لاحقًا في NIPS 2015. تم إصداره بموجب ترخيص MIT.

يتضمن التثبيت استنساخ المستودع، وبناء وحدات Cython، وتجميع Caffe مع دعم طبقة بايثون. يُنصح المستخدمون بالتأكد من أن بناء Caffe الخاص بهم يتضمن `WITH_PYTHON_LAYER := 1` واختياريًا `USE_CUDNN := 1` في ملف `Makefile.config` الخاص بهم. يوفر المشروع نصوصًا برمجية لتنزيل الكواشف المحسوبة مسبقًا ونماذج ImageNet المدربة مسبقًا لشبكات مثل ZF و VGG16. يتوفر نص توضيحي لعرض قدرات الكشف على PASCAL VOC 2007.

للتدريب والاختبار، يمكن للمستخدمين استخدام نصوص برمجية لكل من التحسين المتناوب (`faster_rcnn_alt_opt.sh`) والتدريب المشترك التقريبي (`faster_rcnn_end2end.sh`). تقوم الطريقة الأخيرة بتدريب شبكة اقتراح المنطقة (RPN) بشكل مشترك مع شبكة Fast R-CNN، مما يؤدي إلى أوقات تدريب أسرع مع دقة كشف قابلة للمقارنة. يتم تنظيم المخرجات، بما في ذلك النماذج المدربة ونتائج الاختبار، داخل الدليل `$FRCN_ROOT/output`.

من المهم ملاحظة أنه تم إيقاف py-faster-rcnn. يوصي المشروع المستخدمين بالاطلاع على Detectron، والذي يتضمن تطبيقًا لـ Mask R-CNN. الكود الرسمي لـ Faster R-CNN بلغة MATLAB متاح لمن يهدفون إلى إعادة إنتاج النتائج من ورقة NIPS 2015.

أبرز ملامح py-faster-rcnn

• تطبيق بلغة بايثون لـ Faster R-CNN

• يدعم معماريات الشبكات VGG16 و ZF و VGG_CNN_M_1024

• يتضمن تدريبًا مشتركًا تقريبيًا لتطوير نماذج أسرع

• يوفر عرضًا توضيحيًا لاكتشاف الكائنات على PASCAL VOC 2007

• متوافق مع Caffe و pycaffe

• يقدم نصوصًا برمجية لتدريب واختبار الكواشف

• يتطلب تكوينات بناء Caffe محددة لطبقات بايثون

• تم إصداره بموجب ترخيص MIT

• تم إيقافه لصالح Detectron

البدء مع py-faster-rcnn

1. 1

   استنساخ المستودع: احصل على كود py-faster-rcnn من GitHub.

2. 2

   بناء التبعيات: قم بتجميع وحدات Cython و Caffe مع دعم طبقة بايثون.

3. 3

   تنزيل النماذج: قم بجلب الكواشف المحسوبة مسبقًا ونماذج ImageNet المدربة مسبقًا.

4. 4

   تشغيل العرض التوضيحي: قم بتنفيذ النص التوضيحي لعرض سريع لاكتشاف الكائنات.

5. 5

   تكوين التدريب: قم بإعداد مجموعات بيانات PASCAL VOC أو COCO للتدريب.

6. 6

   تدريب النموذج: استخدم النصوص البرمجية المقدمة للتحسين المتناوب أو التدريب المشترك من البداية إلى النهاية.

7. 7

   اختبار النموذج: قم بتقييم النماذج المدربة باستخدام النصوص البرمجية التجريبية.

8. 8

   التكامل: استخدم النماذج المدربة لمهام اكتشاف الكائنات.

حالات استخدام py-faster-rcnn

• اكتشاف الكائنات
• تحليل الصور
• أبحاث الرؤية الحاسوبية
• الكشف في الوقت الفعلي
• تقييم مجموعات البيانات

الأسئلة الشائعة من py-faster-rcnn

• ما هو py-faster-rcnn؟

  py-faster-rcnn هو تطبيق بلغة بايثون لإطار عمل اكتشاف الكائنات Faster R-CNN، يوفر بديلاً للإصدار الرسمي بلغة MATLAB.

• هل لا يزال py-faster-rcnn قيد التطوير النشط؟

  لا، تم إيقاف py-faster-rcnn. يوصي المشروع باستخدام Detectron، والذي يتضمن تطبيقًا لـ Mask R-CNN.

• ما هي الاختلافات في الأداء بين py-faster-rcnn والإصدار الرسمي بلغة MATLAB؟

  التطبيق بلغة بايثون أبطأ بحوالي 10٪ في وقت الاختبار بسبب تشغيل بعض العمليات على وحدة المعالجة المركزية في طبقات بايثون.

• ما هي متطلبات الأجهزة للتدريب؟

  بالنسبة للشبكات الأصغر (ZF، VGG_CNN_M_1024)، فإن وحدة معالجة رسومات (GPU) بذاكرة 3 جيجابايت على الأقل كافية. بالنسبة لـ VGG16، يُنصح باستخدام K40 (حوالي 11 جيجابايت) لتدريب Fast R-CNN، على الرغم من أن 3 جيجابايت كافية لـ Faster R-CNN من البداية إلى النهاية مع CUDNN.

• ما هو البرنامج المطلوب للتثبيت؟

  البرامج الرئيسية تشمل Caffe المبني مع دعم طبقة بايثون، وحزم بايثون مثل cython و python-opencv. MATLAB اختياري للتقييم الرسمي لـ PASCAL VOC.

• كيف يمكنني إعادة إنتاج النتائج من ورقة NIPS 2015؟

  لإعادة إنتاج النتائج الدقيقة من ورقة NIPS 2015، يُنصح باستخدام الكود الرسمي بلغة MATLAB.

• ما هي فائدة التدريب المشترك التقريبي؟

  يقوم التدريب المشترك التقريبي بتدريب وحدة RPN بشكل مشترك مع شبكة Fast R-CNN، مما يؤدي إلى أوقات تدريب أسرع بحوالي 1.5 مرة مقارنة بالتحسين المتناوب.

• أين يمكنني العثور على الإصدار الرسمي بلغة MATLAB من Faster R-CNN؟

  يمكن العثور على الإصدار الرسمي بلغة MATLAB على https://github.com/ShaoqingRen/faster_rcnn.

• ما هي مجموعات البيانات التي يمكن استخدامها مع py-faster-rcnn؟

  يوفر المشروع تعليمات الإعداد لـ PASCAL VOC 2007 ويذكر الدعم لمجموعة بيانات COCO ضمن data/README.md.

• تحت أي ترخيص تم إصدار py-faster-rcnn؟

  تم إصدار py-faster-rcnn بموجب ترخيص MIT.