Mask R-CNN設置及びテスト(Caffe 2&Detectron&cocoAPI&Mask R-CNN)

Mask R-CNN構成説明

概要:

本文は主にMask R-CNNの配置とテストにCUDA 8を配置する必要があることを紹介する.0、cuDNN6.0.21、Python 2、Caffe 2、Detectron(CPUサポート不備)、COCO API.

Caffe 2実装(cudaとcudnn略)

依存関係:

for Ubuntu 14.04

sudo apt-get install -y --no-install-recommends libgflags2

for Ubuntu 16.04

sudo apt-get install -y --no-install-recommends libgflags-dev

for both Ubuntu 14.04 and 16.04

 sudo apt-get install -y --no-install-recommends \
       libgtest-dev \
       libiomp-dev \
       libleveldb-dev \
       liblmdb-dev \
       libopencv-dev \
       libopenmpi-dev \
       libsnappy-dev \
       openmpi-bin \
       openmpi-doc \
       python-pydot
 sudo pip install \
       flask \
       future \
       graphviz \
       hypothesis \
       jupyter \
       matplotlib \
       pydot python-nvd3 \
       pyyaml \
       requests \
       scikit-image \
       scipy \
       setuptools \
       six \
       tornado

caffe 2のダウンロードとコンパイル

git clone --recursive https://github.com/caffe2/caffe2.git
cd caffe2

コンパイル

make
cd build && make install DESTDIR=/path/to/install

注意:/path/to/installはインストールパスであり、sudo権限があればsudo make installを使用して/usr/local/下にインストールできます.

インストールに成功したことを確認

python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"

出力Successは成功しました
GPU構築の検証

python2 -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'

出力GPU数成功

環境変数の追加

echo $PYTHONPATH
# export PYTHONPATH=/path/to/install/caffe2:$PYTHONPATH  #make install   
# export PYTHONPATH=$PYTHONPATH: /path/to/caffe2/build  #Caffe2    
echo $LD_LIBRARY_PATH
# export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

別の依存

Python依存

pip install numpy pyyaml matplotlib opencv-python>=3.0 setuptools Cython mock

COCO API

# COCOAPI=/path/to/clone/cocoapi
git clone https://github.com/cocodataset/cocoapi.git $COCOAPI
cd $COCOAPI/PythonAPI
#           
make install
# Alternatively, if you do not have permissions or prefer
#      Python  
python2 setup.py install --user

Detectronインストール

Detectronソースのダウンロード

# DETECTRON=/path/to/clone/detectron
git clone https://github.com/facebookresearch/detectron $DETECTRON
Set up Python modules:

コンパイル:

cd $DETECTRON/lib && make

インストールに成功したかどうかをテスト

python2 $DETECTRON/tests/test_spatial_narrow_as_op.py

出力は次のように成功しました.

Ran 3 tests in 7.049s
OK

Mask R-CNNを使用したデモ

ローカルイメージを使用して効果プレゼンテーションを実行し、tools/infer_を使用します.simple.py、この例ではResNet-101-FPNのMask R-CNNをモデルとして使用する.

python2 tools/infer_simple.py \
 --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
 --output-dir /tmp/detectron-visualizations \
 --image-ext jpg \
 --wts https://s3-us-west2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
 demo

注意:–cfgはモデルパス、–output-dirは出力パスのデフォルト'/tmp/infer_simple’は、pdfとして指定されたディレクトリに出力されます.–image-extはピクチャフォーマットで、デフォルトはjpgフォーマットです.–wtsはネットワークウェイトファイルである.demoは最後のパラメータで、画像が存在するフォルダパスです.

Mask R-CNNテスト

model zoo由来end 2 end Mask R-CNNネットワークを用いてCOCO_2014_minivalの画像のテスト

python2 tools/test_net.py \
    --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
    --multi-gpu-testing \
    TEST.WEIGHTS https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    NUM_GPUS 2

NUM_GPUSは使用GPU数であり、試験結果は以下の通りである.

INFO json_dataset_evaluator.py: 232: ~~~~ Summary metrics ~~~~
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.364
  Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.585
  Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.387
  Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.166
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.392
  Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.540
  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.303
  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.459
  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.478
  Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.266
  Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.520
  Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.642
 INFO json_dataset_evaluator.py: 122: Wrote json eval results to:./test/coco_2014_minival/generalized_rcnn/segmentation_results.pkl
 INFO task_evaluation.py:  65: Evaluating segmentations is done!
 INFO task_evaluation.py: 180: copypaste: Dataset: coco_2014_minival
 INFO task_evaluation.py: 182: copypaste: Task: box
 INFO task_evaluation.py: 185: copypaste: AP,AP50,AP75,APs,APm,APl
 INFO task_evaluation.py: 186: copypaste: 0.4089,0.6193,0.4478,0.2350,0.4421,0.5389
 INFO task_evaluation.py: 182: copypaste: Task: mask
 INFO task_evaluation.py: 185: copypaste: AP,AP50,AP75,APs,APm,APl
 INFO task_evaluation.py: 186: copypaste: 0.3639,0.5846,0.3869,0.1664,0.3915,0.5400

参照リンク:

Caffe2_install
https://caffe2.ai/docs/getting-started.html?platform=ubuntu&configuration=compile
Detectron_github
https://github.com/facebookresearch/Detectron
Detectron_install
https://github.com/facebookresearch/Detectron/blob/master/INSTALL.md
Detectron_started
https://github.com/facebookresearch/Detectron/blob/master/GETTING_STARTED.md
COOC_API
https://github.com/cocodataset/cocoapi