【人人都是深度学习师】5行代码实现一个基于深度学习迁移学习的图像实例分割功能
基础环境
基础环境安装见：PaddleHub安装教程 或使用镜像：registry.cn-hangzhou.aliyuncs.com/allen135681/easyml:ubuntu18.04-nvidia_cuda10.0-base-Miniconda3-py39_4.9.2_paddlepaddle2.0.1_paddlehub2.0.4_paddlenlp2.0.0rc10 pyin paddle
额外安装：
pip list|grep "paddle\|cv"
opencv-python 4.2.0.32
paddlehub 2.0.4
paddlepaddle 2.0.1
代码
solov2_test.py
import CV2
import paddlehub as hub
model = hub.Module(name='solov2', use_gpu=False) # 加载预训练模型
img = CV2.imread('./1.jpg') # 读取图片
output = model.predict(image=img, visualization=True, save_dir="./solov2_result") # visualization 将可视化图片保存 保存目录为 save_dir
运行结果 ./solov2_result 目录下会有个和时间戳相关的随机名字的图片文件 1615388915.220959.png：
模型把过马路的行人和等红绿灯的车的实例识别了出来。
分析
先执行预训练模型的安装：
hub install solov2==1.0.0
解压后的模型有大概180MB
执行代码：solov2_test.py
模型解释：solov2是基于'SOLOv2: Dynamic, Faster and Stronger'实现的快速实例分割的模型。该模型基于SOLOV1, 并且针对mask的检测效果和运行效率进行改进，在实例分割任务中表现优秀。相对语义分割，实例分割需要标注出图上同一物体的不同个体。
参考
https://www.paddlepaddle.org.cn/hubdetail?name=solov2&en_category=InstanceSegmentation
————————————————
版权声明：本文为CSDN博主「机器爱智能」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/jrckkyy/article/details/114649368
