金子邦彦研究室 ▶ 人工知能 ▶ Windows で動く人工知能関係 Pythonアプリケーション，オープンソースソフトウエア） ▶ 物体検出の実行（MMDetection，PyTorch，Python を使用）（Windows 上）

サイトマップ サイト内検索 まとめ

サイトの全体構成

物体検出の実行（MMDetection，PyTorch，Python を使用）（Windows 上）

全体構成 人工知能 データベース ３次元，地図 プログラミング 情報工学全般 インストール 支援 連絡先，業績

【目次】

  1. 前準備
  2. MMDetection のインストール（Windows 上）
  3. MMDetection を用いた物体検出の実行（Windows 上）

MMDetection

MMDetection は， OpenMMLab の構成物で，物体検出， インスタンス・セグメンテーション (instance segmentation), パノプティック・セグメンテーション (panoptic segmentation) の機能を提供する．

【文献】

Chen, Kai and Wang, Jiaqi and Pang, Jiangmiao and Cao, Yuhang and Xiong, Yu and Li, Xiaoxiao and Sun, Shuyang and Feng, Wansen and Liu, Ziwei and Xu, Jiarui and Zhang, Zheng and Cheng, Dazhi and Zhu, Chenchen and Cheng, Tianheng and Zhao, Qijie and Li, Buyu and Lu, Xin and Zhu, Rui and Wu, Yue and Dai, Jifeng and Wang, Jingdong and Shi, Jianping and Ouyang, Wanli and Loy, Chen Change and Lin, Dahua, MMDetection: Open MMLab Detection Toolbox and Benchmark, arXiv:1906.07155, 2019.

【関連する外部ページ】

【関連項目】 DETR, Deformable DETR, Mask R-CNN, MMCV, MMFewShot, MMPose, MMSegmentation, MMSegmentation3D, MMSelfSup, MMTracking, OpenMMLab, RetinaNet, Seesaw Loss, SSD, YOLOv3, YOLOv4, YOLOX, インスタンス・セグメンテーション (instance segmentation), パノプティック・セグメンテーション (panoptic segmentation) 物体検出

前準備

Git のインストール（Windows 上）

Gitは，バージョン管理システム．ソースコードの管理や複数人での共同に役立つ．

【サイト内の関連ページ】

Windows での Git のインストール: 別ページ »で説明している．

【関連する外部ページ】

Git の公式ページ: https://git-scm.com/

Python のインストール（Windows 上）

【サイト内の関連ページ】

【関連する外部ページ】

Python の公式ページ: https://www.python.org/

Build Tools for Visual Studio 2022，NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN 8.6 のインストール（Windows 上）

【サイト内の関連ページ】

NVIDIA グラフィックスボードを搭載しているパソコンの場合には， NVIDIA ドライバ， NVIDIA CUDA ツールキット， NVIDIA cuDNN のインストールを行う．

【関連する外部ページ】

PyTorch のインストール（Windows 上）

  1. Windows で，コマンドプロンプトを管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

  2. PyTorch のページを確認

    PyTorch のページ: https://pytorch.org/index.html

  3. 次のようなコマンドを実行（実行するコマンドは，PyTorch のページの表示されるコマンドを使う）．

    次のコマンドは， PyTorch 2.0 （NVIDIA CUDA 11.8 用） をインストールする． 但し，Anaconda3を使いたい場合には別手順になる．

    事前に NVIDIA CUDA のバージョンを確認しておくこと（ここでは，NVIDIA CUDA ツールキット 11.8 が前もってインストール済みであるとする）．

    PyTorch で，GPU が動作している場合には，「torch.cuda.is_available()」により，True が表示される． 

    python -m pip install -U --ignore-installed pip
python -m pip install -U torch torchvision torchaudio numpy --index-url https://download.pytorch.org/whl/cu118
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

    [image]

    Anaconda3を使いたい場合には， Anaconda プロンプト (Anaconda Prompt) を管理者として実行し， 次のコマンドを実行する． （PyTorch と NVIDIA CUDA との連携がうまくいかない可能性があるため，Anaconda3を使わないことも検討して欲しい）． 

    conda install -y pytorch torchvision torchaudio pytorch-cuda=11.8 cudnn -c pytorch -c nvidia
py -c "import torch; print(torch.__version__, torch.cuda.is_available())"

    【サイト内の関連ページ】

    【関連する外部ページ】

MMDetection のインストール（Windows 上）

インストールの方法は複数ある． ここでは， NVIDIA CUDA ツールキットを使うことも考え， インストールしやすい方法として，ソースコードからビルドしてインストールする方法を案内している．

  1. Windows で，コマンドプロンプトを管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

  2. MIM，MMDetection のインストール

    インストール手順は， https://mmdetection.readthedocs.io/en/latest/get_started.html による．

    「mim install -e .」でエラーメッセージが出たときは， 「mim install -e .」の代わりに「pip install -e .」を実行． 

    python -m pip install -U --ignore-installed pip
python -m pip uninstall -y openmim mmcv mmcv-full opencv-python opencv-python-headless
python -m pip install -U openmim opencv-python
cd %HOMEPATH%
rmdir /s /q mmdetection
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
mim uninstall -y mmdet
pip install -r requirements.txt
mim install -e .
mim list

    （途中省略）
    [image]
  3. 関連ソフトウェアのインストール

    パノプティック・セグメンテーションと LVIS データセットのため 

    python -m pip install instaboostfast
python -m pip install git+https://github.com/cocodataset/panopticapi.git
python -m pip install git+https://github.com/lvis-dataset/lvis-api.git

MMDetection を用いた物体検出の実行（Windows 上）

物体検出（COCO, Faster-RCNN, R-50-FPN を使用）

  1. Windows で，コマンドプロンプトを管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

  2. 事前学習済みモデルのダウンロード

    COCO データセットを用いての事前学習済みモデルを使用している．

    MMDetection の model zoo のページ: https://github.com/open-mmlab/mmdetection/blob/master/docs/en/model_zoo.md

    ここではCOCO, Faster-RCNN, R-50-FPN を選ぶことにする． COCO データセットで学習済みのモデルである．

    • configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py
    • https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth

    次のコマンドを実行する． 

    cd %HOMEPATH%\mmdetection
mkdir checkpoints
cd checkpoints
curl -O https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth

    [image]
  3. Python プログラムの実行

    Python プログラムの実行

    Python 開発環境（Jupyter Qt Console, Jupyter ノートブック (Jupyter Notebook), Jupyter Lab, Nteract, Spyder, PyCharm, PyScripterなど）も便利である．

    Python のまとめ: 別ページ »にまとめ

    物体検出を行う

    Python プログラムは，公式ページhttps://mmdetection.readthedocs.io/en/latest/get_started.html のものを書き換えて使用． 

    import os
import torch
import mmcv
from mmdet.apis import init_detector, inference_detector
from mmdet.utils import register_all_modules
register_all_modules()

os.chdir((os.getenv('HOMEPATH') + '\\' + 'mmdetection'))
config_file = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py'
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = init_detector(config_file, checkpoint_file, device=device, cfg_options = {'show': True})
img = 'demo/demo.jpg'  # or img = mmcv.imread(img), which will only load it once

# https://mmdetection.readthedocs.io/en/v3.0.0/user_guides/inference.html
from mmdet.registry import VISUALIZERS
visualizer = VISUALIZERS.build(model.cfg.visualizer)
visualizer.dataset_meta = model.dataset_meta

result = inference_detector(model, img)
image = mmcv.imconvert(mmcv.imread(img), 'bgr', 'rgb')
visualizer.add_datasample('result', image, data_sample=result, show=False, draw_gt=False)
mmcv.imshow(visualizer.get_image())

    [image]
  4. 結果が表示される

    エラーメッセージが出ないことを確認．

    [image]

動画ファイルのセグメンテーション

  1. 動画ファイル video.mp4 を %HOMEPATH%\mmsegmentation に置く
  2. Python プログラムの実行

    Python プログラムの実行

    Python 開発環境（Jupyter Qt Console, Jupyter ノートブック (Jupyter Notebook), Jupyter Lab, Nteract, Spyder, PyCharm, PyScripterなど）も便利である．

    Python のまとめ: 別ページ »にまとめ

    動画ファイルのセグメンテーションを行う． 

    import os
import torch
import mmcv
from mmdet.apis import init_detector, inference_detector
from mmdet.utils import register_all_modules
register_all_modules()

os.chdir((os.getenv('HOMEPATH') + '\\' + 'mmdetection'))
config_file = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py'
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = init_detector(config_file, checkpoint_file, device=device)
video = mmcv.VideoReader('demo/demo.mp4')

# https://mmdetection.readthedocs.io/en/v3.0.0/user_guides/inference.html
from mmdet.registry import VISUALIZERS
visualizer = VISUALIZERS.build(model.cfg.visualizer)
visualizer.dataset_meta = model.dataset_meta

for frame in video:
    result = inference_detector(model, frame)
    image = mmcv.imconvert(frame, 'bgr', 'rgb')
    visualizer.add_datasample('result', image, data_sample=result, show=False, draw_gt=False)
    mmcv.imshow(visualizer.get_image(), wait_time=100)

    [image]
  3. 結果を確認．

    [image]

本サイトは金子邦彦研究室のWebページである．

資料等の公開では，原則，「クリエイティブコモンズ BY NC SA」として公開するようにしている． PDFファイル，パワーポイントファイルなどには， 「クリエイティブコモンズ BY NC SA」を明記するとともに，ロゴを記載するようにしている（作業が間に合っていない分もあるのでご容赦ください）．

公開している資料をご利用になる場合の，再配布の条件，剽窃の防止などについて，別ページ »で説明 再配布や資料改変の際には，そのページをご確認ください．

サイトマップは，サイトマップのページをご覧下さい． 本サイト内の検索は，サイト内検索のページをご利用下さい．

問い合わせ先： 金子邦彦（かねこ くにひこ） [image]