Skip to content

Latest commit

 

History

History
94 lines (60 loc) · 3.18 KB

README.md

File metadata and controls

94 lines (60 loc) · 3.18 KB
Raw

MaskRCNN_Video

En este proyecto abordaremos la segmentación semantica usando MaskRCNN en imagenes y video. Los repositorios base de este proyecto son los siguiente. El primero de ellos es la implementación para Tensorflow 1, y el segundo repositorio tiene la actualización para Tensorflow 2. Se realizaron modificaciones para correr la detección usando la cámara web.

https://github.com/matterport/Mask_RCNN
https://github.com/akTwelve/Mask_RCNN

Preparación del entorno

Prepararemos un entorno con python 3.7.7, Tensorflow 2.1.0 y keras 2.3.1

$ conda create -n MaskRCNN anaconda python=3.7.7
$ conda activate MaskRCNN
$ conda install ipykernel
$ python -m ipykernel install --user --name MaskRCNN --display-name "MaskRCNN"
$ conda install tensorflow-gpu==2.1.0 cudatoolkit=10.1
$ pip install tensorflow==2.1.0
$ pip install jupyter
$ pip install keras
$ pip install numpy scipy Pillow cython matplotlib scikit-image opencv-python h5py imgaug IPython[all]

Instalar MaskRCNN

$ python setup.py install
$ pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

Prueba en Jupyter notebook

$ cd samples
$ jupyter notebook

Prueba en consola con imagenes y en video

Con imágenes

$ cd samples
$ python imagemask.py

En video

$ cd samples
$ python videomask.py

Entrenamiento con custom-dataset

  • Etiquetar el data set con la herramienta VIAv1.0 (Hacerlo con la versión 1.0.0)
  • Guardar los datos de validación y entrenamiento en carpetas con nombre train y val
  • Guardar las anotaciones de los dos grupos de datos con el nombre: via_region_data.json
  • Ejeccutar en google colab el archivo Casco.ipynb.

Prueba del modelo entrenado con custom-dataset

  • PARA PRUEBA DEL SISTEMA CON IMÁGENES:

    Modificar los parámetros

    • model_filename = "mask_rcnn_casco_0050.h5" # Aquí deben cargar el modelo entrenado con su dataset
    • class_names = ['BG', 'casco'] # Las clases relacionadas con su modelo BG + clases custom
    • min_confidence = 0.6 # Nivel mínimo de confianza para aceptar un hallazgo como positivo

    $ python casco.py

  • PARA PRUEBA DEL SISTEMA EN VIDEO:

    Modificar los parámetros

    • model_filename = "mask_rcnn_casco_0050.h5" # Aquí deben cargar el modelo entrenado con su dataset
    • class_names = ['BG', 'casco'] # Las clases relacionadas con su modelo BG + clases custom
    • min_confidence = 0.6 # Nivel mínimo de confianza para aceptar un hallazgo como positivo
    • camera = cv2.VideoCapture(0) # Si desean correr webcam
    • camera = cv2.VideoCapture("video.mp4") # Si desean correr un video cargandolo desde su PC

    $ python cascoVideo.py

Entrenamiento multiclases custom dataset

  • CustomClasses.ipynb

IoU Intersection over Union

  • IoUTest.ipynb

Agradecimientos

Matterport, Inc
https://github.com/matterport

Adam Kelly
https://github.com/akTwelve

Canal de Youtube

Click aquì pare ver mi canal de YOUTUBE