지식을 나누는 공간

def convert_to_coco( json_paths, save_path, ): """ only for train dataset """ res = defaultdict(list) # json_paths = glob(os.path.join(root_path, 'train', '*.json')) categories = { '01_ulcer': 1, '02_mass': 2, '04_lymph': 3, '05_bleeding': 4 } n_id = 0 for json_path in tqdm(json_paths): with open(json_path, 'r') as f: tmp = json.load(f) image = BytesIO(base64.b64decode(tmp['imageData'])) image =..

%cd /content/drive/MyDrive/ !unzip -qq "/content/drive/MyDrive/a.zip"

Install MMdetection from google.colab import drive drive.mount('/content/drive') # Check nvcc version !nvcc -V # Check GCC version !gcc --version # install dependencies: (use cu111 because colab has CUDA 11.1) !pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html # install mmcv-full thus we could use CUDA operators !pip install mmcv-full ..

pip install COCO_merger python -m COCO_merger.merge --src Json1.json Json2.json --out OUTPUT_JSON.json usage: merge.py [-h] --src SRC SRC --out OUT Merge two annotation files to one file optional arguments: -h, --help show this help message and exit --src SRC SRC Path of two annotation files to merge --out OUT Path of the output annotation file

실행 환경: Google Colab !git clone https://github.com/ultralytics/yolov5 !cd yolov5 import torch import os # Model model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # or yolov5n - yolov5x6, custom file_list = os.listdir('../test') for i in file_list: img='../test/'+i results = model(img) crops=results.crop(save=True) 결과 결과 local에 저장 #zip [압축파일명.zip] [압축할 파일/폴더명] !zip -r ../file.zip ../result f..

class DETRdemo(nn.Module): """ Demo DETR implementation. Demo implementation of DETR in minimal number of lines, with the following differences wrt DETR in the paper: * learned positional encoding (instead of sine) * positional encoding is passed at input (instead of attention) * fc bbox predictor (instead of MLP) The model achieves ~40 AP on COCO val5k and runs at ~28 FPS on Tesla V100. Only ba..

마지막 feature map에 GAP(Global Average Pooling)적용 Channel 크기의 벡터 생성 FCL 추가 input image 분류 학습을 통해 weight 갱신 각 weight에 feature map을 곱하고 다 더하여 heat map 출력

Non-Maximum Suppression(NMS)은 object detector가 예측한 bounding box 중에서 정확한 bounding box를 선택하도록 하는 기법입니다. 모든 Bounding box는 자신이 해당 객체를 얼마나 잘 잡아내지 나타내는 confidence score를 가집니다. 모든 bounding box에 대하여 threshold 이하의 confidence score를 가지는 Bounding Box는 제거합니다. Confidence score가 일정 수준 이하인 bounding box들에 대해 일차적으로 필터링을 거치는 과정입니다. 남은 Bounding Box들을 Confidence score 기준 모두 내림차순 정렬합니다. 맨 앞에 있는 Bounding box 하나를 기준으로..

torch.optim.lr_scheduler.CosineAnnealingWarmRestarts를 이용하면 local optima에 빠지는 것과 overfitting을 방지할 수 있다. T_0은 첫 주기의 길이를 의미하고, 이후에는 주기가 T_mult만큼 곱해진다. import torch import matplotlib.pyplot as plt model = torch.nn.Linear(2, 1) optimizer = torch.optim.SGD(model.parameters(), lr=0.1) lr_sched = torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_0=10, T_mult=1, eta_min=0.001, last_epoch=..