QueryInst 开源项目使用教程

QueryInst 开源项目使用教程

QueryInst 项目地址: https://gitcode.com/gh_mirrors/qu/QueryInst

1. 项目介绍

QueryInst 是一个基于 mmdetection 框架的实例分割方法，由华中科技大学（HUST）视觉实验室开发。该项目在 ICCV 2021 上发表，提出了一种简单而有效的基于查询的实例分割方法，通过在动态掩码头上进行并行监督，显著提高了实例分割的精度和速度。QueryInst 不仅在 COCO 数据集上表现优异，还在视频实例分割任务中取得了第二名的成绩。

2. 项目快速启动

2.1 安装

首先，确保你已经安装了 mmdetection 框架。然后，通过以下命令安装 QueryInst：

git clone https://github.com/hustvl/QueryInst.git
cd QueryInst
python setup.py develop

2.2 数据准备

在项目根目录下创建一个 data 文件夹，并将 COCO 数据集链接到该文件夹：

mkdir data && cd data
ln -s /path/to/coco coco

2.3 训练

使用单个 GPU 训练 QueryInst：

python tools/train.py configs/queryinst/queryinst_r50_fpn_1x_coco.py

使用多个 GPU 训练 QueryInst：

./tools/dist_train.sh configs/queryinst/queryinst_r50_fpn_1x_coco.py 8

2.4 测试

使用单个 GPU 测试 QueryInst：

python tools/test.py configs/queryinst/queryinst_r50_fpn_1x_coco.py PATH/TO/CKPT.pth --eval bbox segm

使用多个 GPU 测试 QueryInst：

./tools/dist_test.sh configs/queryinst/queryinst_r50_fpn_1x_coco.py PATH/TO/CKPT.pth 8 --eval bbox segm

3. 应用案例和最佳实践

3.1 实例分割

QueryInst 在 COCO 数据集上的表现非常出色，尤其是在实例分割任务中。通过使用 QueryInst，用户可以在短时间内获得高精度的实例分割结果。

3.2 视频实例分割

QueryInst 还被应用于视频实例分割任务，并在 CVPR 2021 的第三届大规模视频对象分割挑战赛中取得了第二名的成绩。用户可以通过 QueryInst 实现高效的视频实例分割。

4. 典型生态项目

4.1 mmdetection

QueryInst 是基于 mmdetection 框架开发的，mmdetection 是一个强大的目标检测和实例分割工具箱，支持多种先进的检测和分割算法。

4.2 Sparse R-CNN

QueryInst 的实现基于 Sparse R-CNN，Sparse R-CNN 是一种基于稀疏表示的目标检测方法，具有较高的检测精度和速度。

4.3 DETR

DETR 是一种基于 Transformer 的目标检测方法，QueryInst 在其基础上进行了改进，进一步提升了实例分割的性能。

通过以上模块的介绍，用户可以快速了解 QueryInst 项目的基本情况，并掌握其安装、训练和测试的基本流程。

QueryInst 项目地址: https://gitcode.com/gh_mirrors/qu/QueryInst