faster_rcnn_resnet50_fpn_coco2017

faster_rcnn_resnet50_fpn_coco2017

模型名称	faster_rcnn_resnet50_fpn_coco2017
类别	图像 - 目标检测
网络	faster_rcnn
数据集	COCO2017
是否支持Fine-tuning	否
模型大小	161MB
最新更新日期	2021-03-15
数据指标	-

一、模型基本信息

• 应用效果展示

  • 样例结果示例：

    
    

• 模型介绍

  • Faster_RCNN是两阶段目标检测器，对图像生成候选区域、提取特征、判别特征类别并修正候选框位置。Faster_RCNN整体网络可以分为4个部分，一是ResNet-50作为基础卷积层，二是区域生成网络，三是Rol Align，四是检测层。Faster_RCNN是在MS-COCO数据集上预训练的模型。目前仅支持预测。

二、安装

• 1、环境依赖

  • paddlepaddle >= 1.6.2

  • paddlehub >= 1.6.0 | 如何安装paddlehub

• 2、安装

  • $ hub install faster_rcnn_resnet50_fpn_coco2017

  • 如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装

三、模型API预测

• 1、命令行预测

  • $ hub run faster_rcnn_resnet50_fpn_coco2017 --input_path "/PATH/TO/IMAGE"

  • 通过命令行方式实现目标检测模型的调用，更多请见 PaddleHub命令行指令

• 2、预测代码示例

  • import paddlehub as hub
    import cv2
    
    object_detector = hub.Module(name="faster_rcnn_resnet50_fpn_coco2017")
    result = object_detector.object_detection(images=[cv2.imread('/PATH/TO/IMAGE')])
    # or
    # result = object_detector.object_detection((paths=['/PATH/TO/IMAGE'])

• 3、API

  • def object_detection(paths=None,
                         images=None,
                         batch_size=1,
                         use_gpu=False,
                         output_dir='detection_result',
                         score_thresh=0.5,
                         visualization=True)

    • 预测API，检测输入图片中的所有目标的位置。

    • 参数

      • paths (list[str]): 图片的路径；
        
      • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]，BGR格式；
        
      • batch_size (int): batch 的大小；
        
      • use_gpu (bool): 是否使用 GPU；
        
      • output_dir (str): 图片的保存路径，默认设为 detection_result；
        
      • score_thresh (float): 识别置信度的阈值；
        
      • visualization (bool): 是否将识别结果保存为图片文件。

      NOTE: paths和images两个参数选择其一进行提供数据

    • 返回

      • res (list[dict]): 识别结果的列表，列表中每一个元素为 dict，各字段为:
        • data (list): 检测结果，list的每一个元素为 dict，各字段为:
          • confidence (float): 识别的置信度
          • label (str): 标签
          • left (int): 边界框的左上角x坐标
          • top (int): 边界框的左上角y坐标
          • right (int): 边界框的右下角x坐标
          • bottom (int): 边界框的右下角y坐标
        • save_path (str, optional): 识别结果的保存路径 (仅当visualization=True时存在)

  • def save_inference_model(dirname)

    • 将模型保存到指定路径。

    • 参数

      • dirname: 模型保存路径
        

四、服务部署

• PaddleHub Serving可以部署一个目标检测的在线服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

  • $ hub serving start -m faster_rcnn_resnet50_fpn_coco2017

  • 这样就完成了一个目标检测的服务化API的部署，默认端口号为8866。

  • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

• 第二步：发送预测请求

  • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

  • import requests
    import json
    import cv2
    import base64
    
    
    def cv2_to_base64(image):
      data = cv2.imencode('.jpg', image)[1]
      return base64.b64encode(data.tostring()).decode('utf8')
    
    # 发送HTTP请求
    data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/faster_rcnn_resnet50_fpn_coco2017"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))
    
    # 打印预测结果
    print(r.json()["results"])

五、更新历史

• 1.0.0

  初始发布

• 1.0.1

  修复numpy数据读取问题

• 1.1.0

  移除 fluid api

  • $ hub install faster_rcnn_resnet50_fpn_coco2017==1.1.0