本文將引導快速使用 Detectron2 ，介紹用攝像頭測試實時目標檢測。
- Detectron2: https://github.com/facebookresearch/detectron2
環境準備
基礎環境
- Ubuntu 18.04
- 系統安裝，可見 製作 USB 啟動盤，及系統安裝
- Nvidia Driver
- 驅動安裝，可見 Ubuntu 初始配置 - Nvidia 驅動
- Anaconda Python
- 從這裡下載 Linux 版本，並安裝
Detectron2
安裝，
# 建立 Python 虛擬環境
conda create -n detectron2 python=3.8 -y
conda activate detectron2
# 安裝 PyTorch with CUDA
conda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=10.2 -c pytorch -y
# 安裝 Detectron2
git clone https://github.com/facebookresearch/detectron2.git
python -m pip install -e detectron2
# 安裝 OpenCV ，捕獲相機影像及顯示
pip install opencv-python
檢查，
$ python - <<EOF
import torch, torchvision
print(torch.__version__, torch.cuda.is_available())
import cv2 as cv
print(cv.__version__)
EOF
1.7.1 True
4.5.1
現有模型進行推斷
從其 model zoo 選擇一個感興趣的模型進行推斷。這裡以 COCO R50-FPN 3x 訓練的各類模型進行演示。
下載 model 進如下路徑，
detectron2/models/
├── COCO-Detection
│ └── faster_rcnn_R_50_FPN_3x
│ └── 137849458
│ ├── metrics.json
│ └── model_final_280758.pkl
├── COCO-InstanceSegmentation
│ └── mask_rcnn_R_50_FPN_3x
│ └── 137849600
│ ├── metrics.json
│ └── model_final_f10217.pkl
├── COCO-Keypoints
│ └── keypoint_rcnn_R_50_FPN_3x
│ └── 137849621
│ ├── metrics.json
│ └── model_final_a6e10b.pkl
└── COCO-PanopticSegmentation
└── panoptic_fpn_R_50_3x
└── 139514569
├── metrics.json
└── model_final_c10459.pkl
目標檢測 - Faster R-CNN
執行，
cd detectron2/
mkdir -p _output
python demo/demo.py \
--config-file configs/COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml \
--input ../data/bicycle.jpg \
--output _output/bicycle_COCO-Detection.jpg \
--confidence-threshold 0.5 \
--opts MODEL.WEIGHTS models/COCO-Detection/faster_rcnn_R_50_FPN_3x/137849458/model_final_280758.pkl
結果，
例項分割 - Mask R-CNN
執行，
python demo/demo.py \
--config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \
--input ../data/bicycle.jpg \
--output _output/bicycle_COCO-InstanceSegmentation.jpg \
--confidence-threshold 0.5 \
--opts MODEL.WEIGHTS models/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl
結果，
姿態估計 - Keypoint R-CNN
執行，
python demo/demo.py \
--config-file configs/COCO-Keypoints/keypoint_rcnn_R_50_FPN_3x.yaml \
--input ../data/bicycle.jpg \
--output _output/bicycle_COCO-Keypoints.jpg \
--confidence-threshold 0.5 \
--opts MODEL.WEIGHTS models/COCO-Keypoints/keypoint_rcnn_R_50_FPN_3x/137849621/model_final_a6e10b.pkl
結果，
全景分割 - Panoptic FPN
執行，
python demo/demo.py \
--config-file configs/COCO-PanopticSegmentation/panoptic_fpn_R_50_3x.yaml \
--input ../data/bicycle.jpg \
--output _output/bicycle_COCO-PanopticSegmentation.jpg \
--confidence-threshold 0.5 \
--opts MODEL.WEIGHTS models/COCO-PanopticSegmentation/panoptic_fpn_R_50_3x/139514569/model_final_c10459.pkl
結果，
WebCam 攝像頭使用
獲取本機的 WebCam 列表，
$ ls /dev/video*
/dev/video0 /dev/video1 /dev/video2 /dev/video3
# 檢視 WebCam 列表
# 如下：有 0, 2 兩個 videos
# - 第一個是 video ，第二個是 metadata
# - 從 Linux Kernel 4.16 開始，增加的 metadata node
$ sudo apt install v4l-utils
$ v4l2-ctl --list-devices
HD Webcam: HD Webcam (usb-0000:00:14.0-13):
/dev/video0
/dev/video1
HD Pro Webcam C920 (usb-0000:00:14.0-4):
/dev/video2
/dev/video3
# 檢視某 WebCam 支援的格式、解析度、fps 資訊
$ v4l2-ctl -d 2 --list-formats-ext
demo/demo.py 可修改期望開啟的攝像頭及其解析度等，
elif args.webcam:
cam = cv2.VideoCapture(2)
cam.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cam.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
cam.set(cv2.CAP_PROP_FPS, 30)
print(f"wencam: {cam.get(cv2.CAP_PROP_FRAME_WIDTH)}x{cam.get(cv2.CAP_PROP_FRAME_HEIGHT)} {cam.get(cv2.CAP_PROP_FPS)}")
執行，
python demo/demo.py \
--config-file configs/COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml \
--webcam \
--confidence-threshold 0.5 \
--opts MODEL.WEIGHTS models/COCO-Detection/faster_rcnn_R_50_FPN_3x/137849458/model_final_280758.pkl
效果，
GoCoding 個人實踐的經驗分享，可關注公眾號！