Skip to content

Latest commit

 

History

History
121 lines (70 loc) · 4.06 KB

manet.md

File metadata and controls

121 lines (70 loc) · 4.06 KB
Raw

English | 简体中文

Ma-Net视频切分模型

内容

在开始使用之前，您需要按照以下命令安装额外的依赖包：

python -m pip install scikit-image

模型简介

这是CVPR2020论文"Memory aggregation networks for efficient interactive video object segmentation"的Paddle实现。

avatar

此代码目前支持在 DAVIS 数据集上进行模型测试和模型训练，并且将在之后提供对任何给定视频的模型推理。

数据准备

下载 DAVIS2017 和 scribbles 到一个文件夹中。请参阅 DAVIS.

如果您需要文件"DAVIS2017/ImageSets/2017/v_a_l_instances.txt"，请参阅链接 https://drive.google.com/file/d/1aLPaQ_5lyAi3Lk3d2fOc_xewSrfcrQlc/view?usp=sharing

模型训练

下载并添加预先训练的模型

  1. 下载 deeplabV3+ model pretrained on COCO 作为主干初始化参数，或通过 wget 下载

    wget https://drive.google.com/file/d/15temSaxnKmGPvNxrKPN6W2lSsyGfCtTB/view?usp=sharing

  2. 打开 PaddleVideo/configs/segmentationer/manet_stage1.yaml，然后在pretrained:`填写下载的模型权重存储路径

    MODEL: #MODEL field
    framework: "Manet"
    backbone:
        name: "DeepLab"
        pretrained: fill in the path here

Start training

  • 我们的训练过程包括两个阶段。

    • 您可以通过以下命令使用一张卡开始第一阶段的训练：

      python main.py -c configs/segmentation/manet.yaml

    • 使用多张卡进行训练，以加快训练过程。训练开始命令如下：

      export CUDA_VISIBLE_DEVICES=0,1,2,3

python -B -m paddle.distributed.launch --gpus="0,1,2,3"  --log_dir=log_manet_stage1 main.py -c configs/segmentation/manet.yaml

    • 使用混合精度训练以加快训练过程。训练开始命令如下：

      export FLAGS_conv_workspace_size_limit=800 # MB
export FLAGS_cudnn_exhaustive_search=1
export FLAGS_cudnn_batchnorm_spatial_persistent=1

# frames data format
python3.7 -B -m paddle.distributed.launch --gpus="0,1,2,3,4" --log_dir=log_manet_stage1 main.py --amp -c configs/segmentation/manet.yaml

  • 使用第一阶段的模型训练结果，您可以使用一张卡开始训练第二阶段（其他训练方法，如多张卡或混合精度类似于上述），命令如下：

    export CUDA_VISIBLE_DEVICES=0,1,2,3

python -B -m paddle.distributed.launch --gpus="0,1,2,3"  --log_dir=log_manet_stage1 main.py  --validate -c configs/segmentation/manet_stage2.yaml

  • 此外，您可以自定义和修改参数配置，以达到在不同数据集上训练/测试的目的。建议配置文件的命名方法是 model_dataset name_file format_data format_sampling method.yaml ，请参考 config 配置参数的方法。

模型测试

您可以通过以下命令开始测试：

python main.py --test -c configs/localization/bmn.yaml -w output/BMN/BMN_epoch_00009.pdparams -o DATASET.test_batch_size=1

  • 您可以下载我们的模型 解压缩它，并在配置文件中指定METRIC.ground_truth_filename 的路径。

  • 参数 -w 用于指定模型路径，您可以下载 我们的模型 并解压缩以进行测试。

测试精度在 DAVIS2017上:

J@60 AUC
0.761 0.749

模型推理