实例分割网络-YOLACT使用

1.前言

因为需要跑对比实验，因此学习使用YOLACT训练自已的数据集。

准备工作

1.将自已使用labelme标注的数据集个数 json    转换为  coco数据集  实例分割格式

（其实也是json格式，就是把一个数据集，如train中所有json文件合并在一起）

2.参考视频教程

参考链接：【扫盲】Yolact++实例分割网络训练_哔哩哔哩_bilibili

command.txt是指导  需要更改的地方

数据集格式   coco   使用  labelme2coco.py  转换

配置文件：

改动地方1：

仅更改 class_names ， 将里面的标签换成自已的标签

改动地方2：

需要更改的地方：

max_iter  迭代轮次   ，可以设为100

学习率跟着训练轮次的变换改动

若训练轮次几万，学习率则分为1/4   （没有听懂）

8:00

在train.py  看看哪里需要修改

改1：

batch_size

改2：

学习率

训练

训练输出，可以忽略  error

训练权重输出（权重文件名字不可以更改）

3.个人使用过程中遇到的问题及解决方法

官方代码：

dbolya/yolact: A simple, fully convolutional model for real-time instance segmentation.

制作数据集教程：

Training with custom data · Issue #70 · dbolya/yolact

我认为我的培训取得了进步，非常感谢您的宝贵建议。Labelme 和 labelme2coco.py 完美地创建数据集。对于计划在自定义数据集上微调/训练模型的任何人，请按照以下步骤作：

• 下载并安装 Labelme （https://kkgithub.com/wkentaro/labelme)
• 使用多边形标记选项进行标记（存储库有很好的教程）
• 将为每个标记为
• 现在使用创建label.txt（示例：https://kkgithub.com/wkentaro/labelme/blob/master/examples/instance_segmentation/labels.txt)
• 生成 coco 样式 json ： ./labelme2coco.py <labelled_data_folder> <out_folder> --labels labels.txt
  更多详细信息 ： https://kkgithub.com/wkentaro/labelme/tree/master/examples/instance_segmentation

做！数据集已创建。现在继续执行 yolact 存储库中关于自定义训练的说明

202598，展示这样。明天搞。

参考资料：

1.【扫盲】Yolact++实例分割网络训练_哔哩哔哩_bilibili

2.【实例分割】用自己的数据复现yolact网络-含python源码-CSDN博客

3.【实例分割yolact++】从头训练自己的yolact++模型-CSDN博客