【YOLACT】代码解读一_YOLACT代码

eval

python

2.1k 浏览量更新于2023-05-29 评论 1 收藏 444KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

【【YOLACT】代码解读一】代码解读一

【【YOLACT】代码解读一】代码解读一代码运行验证处理图片训练代码解读网络架构

代码运行代码运行

根据github所给指导一步一步进行，如果曾经下载好coco数据集，在data/config.py108行以下修改数据集的目录，并且在run_coco_eval.py16行修改验证集annotation文件的路径。

验证验证

有以下三种评估方式：

first

python eval.py --trained_model=weights/yolact_base_54_800000.pth

以上命令不使用coco数据集自带的模型评估COCOEval，而是使用自己定义的评估函数。

second

python eval.py --trained_model=weights/yolact_base_54_800000.pth --output_coco_json

python run_coco_eval.py

首先通过第一条命令生成’./results/bbox_detections.json’ and ‘./results/mask_detections.json’ 两个文件，第一个文件保存的是网络输出的预测框（坐标、类别及分数），然后通过第

二条命令利用COCOEval来评估模型，可以看出和第一条命令的评估结果相差无几。

third

python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --display

上述命令可以自定义分数阈值，凡是低于该阈值的都会被过滤，其次也可以选取前多少个作为要评估的输出。

处理图片处理图片

# 处理指定图片，通过plt显示结果

python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --image=my_image.png

# 处理一张图片，结果存入另一张照片

python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --image=input_image.png:output_image.png

#处理一个文件夹中所有图片

python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --images=path/to/input/folder:path/to/output/folder

训练训练

根据指导下载好权重并放到weights/文件夹下。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

weixin_38687343

粉丝: 6
资源: 903

会员权益专享

【YOLACT】代码解读一

评论0

会员权益专享

最新资源

【YOLACT】代码解读一

评论0

yolact c++后处理

yolact实例分割训练自己的数据

给我推荐20个比较流行的图像实例分割模型源码

最新的目标检测单阶段算法

深度学习的小目标检测的最新研究

会员权益专享

最新资源