语义分割 PANet 跑通Demo 训练自己的数据集_panet跑自己的数据-优快云博客

这篇博客介绍了如何运行PANet（Path Aggregation Network）的DEMO，用于实例分割任务。内容包括项目结构、所需环境、数据集准备、DEMO运行方式以及如何训练自己的数据集。特别提到了使用COCO-Annotator进行数据标注，并提供了训练和推断的命令行参数。此外，还提供了预训练模型的下载链接和权重恢复的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

项目地址 https://github.com/ShuLiu1993/PANet

介绍

该存储库适用于CVPR 2018 Spotlight论文，“ 用于实例细分的路径聚合网络 ”，其中2017年COCO实例细分挑战赛排名第一，2017年 COCO检测挑战赛第二名（团队名称：UCenter）和2018年场景理解第一名非结构化环境中自主导航的挑战（团队名称：TUTU）。

结构主要基于Detectron 使用Pytorch写的

需要的环境：

python packages

pytorch=0.4[注意这里]
torchvision>=0.2.0
cython
matplotlib
numpy
scipy
opencv
pyyaml
packaging
pycocotools — for COCO dataset, also available from pip.
tensorboardX — for logging the losses in Tensorboard

其中pycocotools的安装方法参见我的其他博客

在确保你的CUDA　CUDNN　PYTORCH　还有　上述的包之后

cd lib
sh make.sh

我忘了要不要setup.py了　应该是不用　编译了就OK

DEMO

-------------单张推断 Demo
python tools/infer_simple.py --dataset coco2017 --cfg configs/panet/e2e_panet_R-50-FPN_2x_mask.yaml --load_ckpt /media/yang/56c81da5-109b-42e1-9e51-0f9e1396fa9d/yang/PANet-master/data/pretrained_model/panet_mask_step179999.pth --images /media/yang/56c81da5-109b-42e1-9e51-0f9e1396fa9d/yang/PANet-master/demo/33823288584_1d21cf0a26_k.jpg --output_dir /media/yang/56c81da5-109b-42e1-9e51-0f9e1396fa9d/yang/PANet-master/

-------------批量推断 Demo
python tools/infer_simple.py --dataset coco2017 --cfg configs/panet/e2e_panet_R-50-FPN_2x_mask.yaml --load_ckpt /media/yang/56c81da5-109b-42e1-9e51-0f9e1396fa9d/yang/PANet-master/data/pretrained_model/panet_mask_step179999.pth --image_dir /media/yang/56c81da5-109b-42e1-9e51-0f9e1396fa9d/yang/PANet-master/demo/sample_images/ --output_dir /media/yang/56c81da5-109b-42e1-9e51-0f9e1396fa9d/yang/PANet-master/

其中权重下载地址为https://drive.google.com/file/d/1-pVZQ3GR6Aj7KJzH9nWoRQ-Lts8IcdMS/view?usp=sharing

准备数据集

我用的Coco-Annotator标记的　关于这个标注工具的用法后面会说

格式和coco2014做到一致就行

文件结构我用的　

.
├── coco-annotations
│   ├── captions_train2014.json
│   ├── captions_val2014.json
│   ├── instances_minival2014.json
│   ├── instances_train2014.json
│   ├── instances_val2014.json
│   ├── instances_val2017.json
├── configs
│   ├── baselines
│   │   ├── e2e_faster_rcnn_R-101-FPN_1x.yaml
│   │   ├── e2e_faster_rcnn_R-101-FPN_2x.yaml
...
│   ├── getting_started
│   │   ├── tutorial_1gpu_e2e_faster_rcnn_R-50-FPN.yaml
│   │   ├── tutorial_2gpu_e2e_faster_rcnn_R-50-FPN.yaml
│   │   ├── tutorial_4gpu_e2e_faster_rcnn_R-50-FPN.yaml
│   │   └── tutorial_8gpu_e2e_faster_rcnn_R-50-FPN.yaml
│   ├── gn_baselines
│   │   ├── e2e_mask_rcnn_R-101-FPN_2x_gn.yaml
...
│   └── panet
│    ├── e2e_panet_R-50-FPN_1x_det_2fc.yaml
│    ├── e2e_panet_R-50-FPN_1x_det.yaml
│    └── e2e_panet_R-50-FPN_2x_mask.yaml
├── data
│   ├── cache
│   │   └── coco_2014_train_gt_roidb.pkl
│   ├── coco
│   │   ├── annotations
│   │   │   ├── instances_train2014.json
│   │   │   └── instances_val2014.json
│   │   └── images
│   │    ├── train2014
│   │    │   ├── 1000.jpg
│   │    │   ├── 1001.jpg
│   │    │   ├── 1002.jpg
│   └── pretrained_model
│    ├── panet_mask_step179999.pth
│    ├── resnet101_caffe.pth
│    └── resnet50_caffe.pth
├── demo
│   ├── 33823288584_1d21cf0a26_k-detectron-R101-FPN.jpg
│   ├── convert_pdf2img.sh
│   ├── e2e_mask_rcnn_R-50-C4
│   │   └── train_from_scratch_epoch1_bs4
│   │    ├── img1.jpg
│   │    ├── img2.jpg
│   │    ├── img3.jpg
│   │    └── img4.jpg
│   ├── img1_keypoints-detectron-R50-FPN.jpg
...
│   ├── sample_images
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │&nb