人工智能大数据与深度学习 公众号：datayx
SOLOv 2：实例分割（动态、更快、更强）
论文链接：https://arxiv.org/abs/1912.04488
就目前来讲，很多实例分割算法存在的问题弊端主要是：
- 速度太慢了，比如Maskrcnn，虽然声名远扬，但是要把它部署到realtime，还是很困难的；
- 精度不够，比如Yolact，即便是Yolact++，其精度其实也只能说差强人意，连MaskRCNN都比不上的实力分割，速度再快，也会限制它的使用场景；
- BlendMask，CenterMask这类的算法，都差不多，基于FCOS构建，本质上没啥区别，还是和MaskRCNN整体流程差不多，只不过检测器变了而已，对于部署来说依旧很麻烦。
对于许多二阶段的实例分割算法，转换到另一个推理平台很麻烦，主要是这里面存在RPN的一些操作，即便是类似于CenterMask这样的模型，也需要先获取box，然后经过ROIAlign和ROIPool来得到需要的mask，这个过程不仅计算繁琐，而且很难导出到我们想要的模型格式，比如ONNX就不支持这里面的很多op。SOLOV2的性能似乎比maskrcnn差不多，推理速度只要一半，并且速度和精确度都超过了BlendMask。
通过改进，SOLOv2的AP性能比SOLOv1高出1.9%，而速度提高了33%。Res-50-FPN SOLOv2在具有挑战性的MS-COCO数据集上以18 FPS的速度实现38.8%的掩模AP，在单个V100 GPU卡上进行评估。一个轻量级版本的SOLOv2以31.3FPS的速度执行，产生37.1%的掩模AP。有趣的是，虽然本文的方法彻底消除了bounding box的概念，但是本文的bounding box的副产品，即直接将预测的掩模转换为bounding box，产生42.4%的AP用于bounding box对象检测，它甚至超过了许多最先进、高度工程化的目标检测方法。
跑通SOLOV1-V2实例分割代码
系统平台：Ubuntu18.04
硬件平台：RTX2080 super
cuda和cudnn版本：cuda10.0 cudnn：7.5.6
pytorch版本：pytorch1.2.0
环境安装：
完成上面操作就可以跑demo了，但是solo只给了单张图片的预测，摄像头预测是无法运行的，下面的代码是摄像头实时检测的代码，大家可以试一下：
代码 获取方式：
分享本文到朋友圈
关注微信公众号 datayx 然后回复 实例分割 即可获取。
↓
数据集准备：
我们标注数据集使用的是labelme来标注，每一个图片会生成一个json标注文件，标注完成后我们需要将我们所有json文件合并为一个json文件。代码如下：
转换完之后，我们需要生成如下几个文件夹。annotations存储的是我们上面转换的json文件。train2017和val2017存储的是训练和测试的图片。
创建我们自己的数据集。在SOLO/mmdet/datasets文件夹下面创建我们自己的数据集，我创建的是pig_data.py文件：
修改SOLO/mmdet/datasets/__init__.py文件，将我们的数据集加进去。
修改训练文件：
模型训练文件在SOLO/configs/solo文件夹下，我修改的是solo_r50_fpn_8gpu_3x.py。你想要训练哪个就修改哪个。
这样就可以完成solo训练自己的数据集了，经过测试分割效果很出色，边缘信息也比较好。
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
