点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

大家好，这个是轻松学Pytorch的第20篇的文章分享，主要是给大家分享一下，如何使用数据集基于Mask-RCNN训练一个行人检测与实例分割网络。这个例子是来自Pytorch官方的教程，我这里是根据我自己的实践重新整理跟解读了一下，分享给大家。

Mask-RCNN网络模型

前面一篇已经详细分享了关于模型本身，格式化输入与输出的结果。这里使用的预训练模型是ResNet50作为backbone网络，实现模型的参数微调迁移学习。输入的数据是RGB三通道的，取值范围rescale到0~1之间。

数据集介绍与读取

数据集地址下载地址：

https://www.cis.upenn.edu/~jshi/ped_html/

总计170张图像，345个标签行人，数据集采集自两所大学校园。

标注格式兼容Pascal标注格式。

基于Pytorch的DataSet接口类完成继承与使用，得到完成的数据聚集读取类实现代码如下：

from PIL import Image
import torch
import numpy as np
from torch.utils.data import Dataset, DataLoader
import faster_rcnn.transforms as T
import osclass PennFudanDataset(Dataset):def __init__(self, root_dir):self.root_dir = root_dirself.transforms = T.Compose([T.ToTensor()])self.imgs = list(sorted(os.listdir(os.path.join(root_dir, "PNGImages"))))self.masks = list(sorted(os.listdir(os.path.join(root_dir, "PedMasks"))))def __len__(self):return len(self.imgs)def num_of_samples(self):return len(self.imgs)def __getitem__(self, idx):# load images and bboximg_path = os.path.join(self.root_dir, "PNGImages", self.imgs[idx])mask_path = os.path.join(self.root_dir, "PedMasks", self.masks[idx])img = Image.open(img_path).convert("RGB")mask = Image.open(mask_path)# convert the PIL Image into a numpy arraymask = np.array(mask)# instances are encoded as different colorsobj_ids = np.unique(mask)# first id is the background, so remove itobj_ids = obj_ids[1:]# split the color-encoded mask into a set# of binary masksmasks = mask == obj_ids[:, None, None]# get bounding box coordinates for each masknum_objs = len(obj_ids)boxes = []for i in range(num_objs):pos = np.where(masks[i])xmin = np.min(pos[1])xmax = np.max(pos[1])ymin = np.min(pos[0])ymax = np.max(pos[0])boxes.append([xmin, ymin, xmax, ymax])# convert everything into a torch.Tensorboxes = torch.as_tensor(boxes, dtype=torch.float32)# there is only one classlabels = torch.ones((num_objs,), dtype=torch.int64)masks = torch.as_tensor(masks, dtype=torch.uint8)image_id = torch.tensor([idx])area = (boxes[:, 3] - boxes[:, 1]) * (boxes[:, 2] - boxes[:, 0])# suppose all instances are not crowdiscrowd = torch.zeros((num_objs,), dtype=torch.int64)target = {}target["boxes"] = boxestarget["labels"] = labelstarget["masks"] = maskstarget["image_id"] = image_idtarget["area"] = areatarget["iscrowd"] = iscrowdif self.transforms is not None:img, target = self.transforms(img, target)return img, targetif __name__ == "__main__":ds = PennFudanDataset("D:/pytorch/PennFudanPed")for i in range(len(ds)):img, target = ds[i]print(i, img.size(), target)device = torch.device('cuda:0')boxes = target["boxes"]xmin, ymin, xmax, ymax = boxes.unbind(1)targets = [{k: v.to(device) for k, v in t.items()} for t in [target]]if i == 3:break

其中：

• boxes表示的输入标注框

• labels表示标签，这里0表示背景，1表示行人，两个分类

• image_id表示图像标识

• area表示标注框面积

• mask对象标记，

模型训练

训练数据集，epoch=8，因为我的计算机内存比较小，所有batchSize=1，不然我就会内存爆炸了，训练一定时间后，就好拉，我把模型保存为mask_rcnn_pedestrian_model.pt文件。训练的代码如下：

# 检查是否可以利用GPU
# torch.multiprocessing.freeze_support()
train_on_gpu = torch.cuda.is_available()
if not train_on_gpu:print('CUDA is not available.')
else:print('CUDA is available!')# 背景 + 行人
num_classes = 2
model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False, progress=True, num_classes=num_classes, pretrained_backbone=True)
device = torch.device('cuda:0')
model.to(device)dataset = PennFudanDataset("D:/pytorch/PennFudanPed")
data_loader = torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=True,  # num_workers=4,collate_fn=utils.collate_fn)params = [p for p in model.parameters() if p.requires_grad]
optimizer = torch.optim.SGD(params, lr=0.005,momentum=0.9, weight_decay=0.0005)
lr_scheduler = torch.optim.lr_scheduler.StepLR(optimizer,step_size=5,gamma=0.1)
num_epochs = 8
for epoch in range(num_epochs):train_one_epoch(model, optimizer, data_loader, device, epoch, print_freq=10)lr_scheduler.step()
torch.save(model.state_dict(), "mask_rcnn_pedestrian_model.pt")

上次训练Faster-RCNN的时候有人跟我说训练时候缺失文件，其实torchvision相关的辅助文件可以从这里下载，地址如下：

https://github.com/pytorch/vision/tree/master/references/detection

这样大家就可以自己去下载拉！

模型使用

当我们完成训练之后，就可以使用模型了，这里有个小小的注意点，当训练的时候我加载数据用的是Image.open方法读取图像，得到的是RGB顺序通道图像。在测试的时候我使用OpenCV来读取图像，得到是BGR顺序，所以需要通道顺序转换一下。千万别忘记。加载导出模型，读取测试图像，完成推理预测完整的代码如下：

import torchvision
import torch
import cv2 as cv
import numpy as npmodel = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False, progress=True, num_classes=2, pretrained_backbone=True)
model.load_state_dict(torch.load("./mask_rcnn_pedestrian_model.pt"))
model.eval()
transform = torchvision.transforms.Compose([torchvision.transforms.ToTensor()])# 使用GPU
train_on_gpu = torch.cuda.is_available()
if train_on_gpu:model.cuda()def object_detection__demo():frame = cv.imread("D:/images/pedestrian_02.png")frame = cv.cvtColor(frame, cv.COLOR_BGR2RGB)blob = transform(frame)c, h, w = blob.shapeinput_x = blob.view(1, c, h, w)output = model(input_x.cuda())[0]boxes = output['boxes'].cpu().detach().numpy()scores = output['scores'].cpu().detach().numpy()labels = output['labels'].cpu().detach().numpy()index = 0frame = cv.cvtColor(frame, cv.COLOR_RGB2BGR)for x1, y1, x2, y2 in boxes:if scores[index] > 0.9:print("score: ", scores[index])cv.rectangle(frame, (np.int32(x1), np.int32(y1)), (np.int32(x2), np.int32(y2)), (0, 0, 255), 2, 8, 0)index += 1cv.imshow("Mask-RCNN Demo", frame)cv.imwrite("D:/pedestrian_02mask_rcnn.png", frame)cv.waitKey(0)cv.destroyAllWindows()if __name__ == "__main__":object_detection__demo()

测试了几张张图像，运行结果分别如下：

没想到效果这么好，真的很靠谱！真的实例分割模型，明显提升了检测效果。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~