利用detection2中已经训练配置好的模型进行目标检测和分割

　　在detection2中以及配置且训练好的模型存储在detection2/model_zoo中，其中./config中就存储了相应模型的数据以及配置文件。

一、导入相应的库

import cv2
import detectron2
from detectron2.utils.logger import setup_logger
# import some common libraries
import numpy as np
import os, json, cv2, random
# import some common detectron2 utilities
from detectron2 import model_zoo
from detectron2.engine import DefaultPredictor
from detectron2.config import get_cfg
from detectron2.utils.visualizer import Visualizer
from detectron2.data import MetadataCatalog, DatasetCatalog

 

　　所使用的几个包就是cv2、detection2中若干个函数

二、导入图片以及训练好的模型

setup_logger()
im = cv2.imread("/remote-home/hthuang/detectron2/demo/input.jpeg")
cfg = get_cfg()#获取默认的配置参数
# add project-specific config (e.g., TensorMask) here if you're not running a model in detectron2's core library
cfg.merge_from_file(model_zoo.get_config_file("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml"))
cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.5  # set threshold for this model
# Find a model from detectron2's model zoo. You can use the https://dl.fbaipublicfiles... url as well
cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml")

　　其中setup_logger()是设置日志，接着通过opencv中的imread函数对图片进行读取。

　　而在detection2中对模型的参数进行了一系列的默认设置，默认配置参数在detection2/config/defaults.py文件中，可以通过cfg = get_cfg()来获取默认的配置参数

　　接着在这个配置cfg中添加模型的结构配置文件参数，配置函数为cfg.merge_from_file(model_zoo.get_config_file，其中COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml文件的名字也代表了这个模型的结构是怎么样的

　　cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.5，设置的是IOU阈值为0.5

　　接着通过cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url来向模型中添加训练好的参数

三、模型预测

predictor = DefaultPredictor(cfg)
outputs = predictor(im)
print(outputs["instances"].pred_classes)
print(outputs["instances"].pred_boxes)

　　通过DefaultPredictor(cfg)这个函数生成默认的预测器，之后再通过这个预测器对图片进行目标检测和分割

四、可视化

 

v = Visualizer(im[:, :, ::-1], MetadataCatalog.get(cfg.DATASETS.TRAIN[0]), scale=1.2)
out = v.draw_instance_predictions(outputs["instances"].to("cpu"))
cv2.imwrite("b.jpg", out.get_image()[:, :, ::-1])

 

　　通过detection2中自带的可视化函数Visualizer进行可视化，将图片和模型预测的目标anchor以及分类结果结合并存储下来。由于我的结果是在实验室的服务器上跑的，没有屏幕，当使用cv2.imshow（）函数时将会报错

 

 

 　　这个时候只要将cv2.imshow函数删去，同时使用cv2.imwrite()函数保存下来再打开即可。

　　最后的结果为：