Pix2Seq: 开源项目的安装与使用教程
2024-09-21 09:29:05作者:姚月梅Lane
1. 项目介绍
Pix2Seq 是一个基于语言模型的通用目标检测框架,它将目标检测任务视为一个条件语言建模问题。Pix2Seq 通过对像素输入进行编码和解码,生成关于图像中对象的描述序列,包括边界框坐标和类别标签。Pix2Seq 的优势在于其简单性和通用性,可以轻松扩展到不同的领域和应用,如关键点检测、图像字幕和视觉问答等。
2. 项目快速启动
准备工作
在运行 Pix2Seq 代码之前,您需要完成以下准备工作:
- 克隆 Pix2Seq 代码库:
git clone https://github.com/google-research/pix2seq.git
- 安装所需的 Python 包:
pip install -r requirements.txt
- 下载 COCO 数据集注释文件:
wget https://storage.googleapis.com/pix2seq/multi_task/data/coco/json/captions_train2017_eval_compatible.json -P /tmp/coco_annotations
wget https://storage.googleapis.com/pix2seq/multi_task/data/coco/json/captions_val2017_eval_compatible.json -P /tmp/coco_annotations
wget https://storage.googleapis.com/pix2seq/multi_task/data/coco/json/instances_train2017.json -P /tmp/coco_annotations
wget https://storage.googleapis.com/pix2seq/multi_task/data/coco/json/instances_val2017.json -P /tmp/coco_annotations
wget https://storage.googleapis.com/pix2seq/multi_task/data/coco/json/person_keypoints_train2017.json -P /tmp/coco_annotations
wget https://storage.googleapis.com/pix2seq/multi_task/data/coco/json/person_keypoints_val2017.json -P /tmp/coco_annotations
- (可选) 如果无法从云端访问预训练检查点,可以手动下载并更新配置文件中的
pretrained_ckpt
路径:
gsutil cp -r gs://cloud_folder local_folder
训练目标检测模型
-
检查并更新配置文件
config_det_finetune.py
,例如encoder_variant
和image_size
。 -
运行训练脚本:
python3 run.py --mode=train --model_dir=/tmp/model_dir --config=configs/config_det_finetune.py --config=train.batch_size=32 --config=train.epochs=20 --config=optimization.learning_rate=3e-5
- (可选) 使用 TensorBoard 查看训练曲线:
tensorboard --logdir=/tmp/model_dir
评估目标检测模型
-
检查并更新配置文件
config_det_finetune.py
,例如encoder_variant
和image_size
。 -
设置
checkpoint_dir
(如果评估的检查点不在model_dir
中)。 -
运行评估脚本:
python3 run.py --mode=eval --model_dir=/tmp/model_dir --config=configs/config_det_finetune.py --config=dataset.coco_annotations_dir=/path/to/annotations --config=eval.batch_size=40
- (可选) 使用 TensorBoard 查看评估曲线和检测可视化:
tensorboard --logdir=/tmp/model_dir
评估多任务模型
-
在
configs/config_multi_task.py
中取消注释checkpoint_dir=get_multi_task_checkpoint_dir()
行。 -
根据需要更新配置文件中的
image_size
。 -
使用目标检测配置文件运行评估脚本:
python3 run.py --config=configs/config_multi_task.py:object_detection@coco/2017_object_detection/vit-b --model_dir=/tmp/pix2seq_eval_det
- (可选) 使用检测框评估实例分割和关键点检测:
python3 data/scripts/merge_coco_json_tfrecord.py --tfrecord_path=gs://pix2seq/multi_task/data/coco/tfrecord/val* --annotation_path=$boxes_json_path --output_dir=$box_tfrecords
- 使用实例分割配置文件运行评估脚本:
python3 run.py --config=configs/config_multi_task.py:instance_segmentation@coco/2017_instance_segmentation/vit-b --val_file_pattern=gs://pix2seq/multi_task/data/coco/det_boxes/vit_b_640x640/*tfrecord --num_samples=8 --model_dir=/tmp/pix2seq_eval_ins
- 使用关键点检测配置文件运行评估脚本:
python3 run.py --config=configs/config_multi_task.py:keypoint_detection@coco/201
登录后查看全文
热门项目推荐
cherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端TypeScript038RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统Vue0410arkanalyzer
方舟分析器:面向ArkTS语言的静态程序分析框架TypeScript040GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。03CS-Books
🔥🔥超过1000本的计算机经典书籍、个人笔记资料以及本人在各平台发表文章中所涉及的资源等。书籍资源包括C/C++、Java、Python、Go语言、数据结构与算法、操作系统、后端架构、计算机系统知识、数据库、计算机网络、设计模式、前端、汇编以及校招社招各种面经~013openGauss-server
openGauss kernel ~ openGauss is an open source relational database management systemC++0145
热门内容推荐
最新内容推荐
Visual-RFT项目中模型路径差异的技术解析 Microcks在OpenShift上部署Keycloak PostgreSQL的权限问题解析 Beyla项目中的HTTP2连接检测问题解析 RaspberryMatic项目中HmIP-BWTH温控器假期模式设置问题分析 Lets-Plot 库中条形图标签在坐标轴反转时的定位问题解析 BedrockConnect项目版本兼容性问题解析与解决方案 LiquidJS 10.21.0版本新增数组过滤功能解析 Mink项目中Selenium驱动切换iframe的兼容性问题分析 Lichess移动端盲棋模式字符串优化解析 sbctl验证功能JSON输出问题解析
项目优选
收起

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
51
15

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
566
410

React Native鸿蒙化仓库
C++
125
208

openGauss kernel ~ openGauss is an open source relational database management system
C++
75
145

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
430
38

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
98
253

前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。
官网地址:https://matechat.gitcode.com
693
91

FOLib 是一个为Ai研发而生的、全语言制品库和供应链服务平台
Java
42
2

🔥🔥超过1000本的计算机经典书籍、个人笔记资料以及本人在各平台发表文章中所涉及的资源等。书籍资源包括C/C++、Java、Python、Go语言、数据结构与算法、操作系统、后端架构、计算机系统知识、数据库、计算机网络、设计模式、前端、汇编以及校招社招各种面经~
97
13

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
298
1.03 K