结合paper 详细解读yolact源码（eval）

已于 2022-12-09 16:58:41 修改
阅读量1.6k 收藏 7
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 源码解读2 文章标签： 人工智能 深度学习
于 2022-11-30 14:22:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/level_code/article/details/128037344
本文详细解读yolact模型，包括backbone ResNet101、protoNet、FPN、prediction layer等模块，探讨fast-NMS及预测流程。文章通过代码注释和流程图辅助理解，揭示模型工作原理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文结合paper，根据源码详细解读yolact模型细节，
涉及到backbone, FPN, prediction heads, protonet各模块细节，fast-nms细节, bounding box坐标形式，代码详细注释。
并用图片完整地走一遍流程。
全文2万+字，需要一点耐心。
paper链接
github链接

先看下模型的结构吧。

net = Yolact()

先介绍各个模块。

首先是backbone.

self.backbone = construct_backbone(cfg
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【YOLACT】YOLACT（You Only Look At Coefficients）深度解析
浩瀚之水的专栏
04-30 76
YOLACT 通过原型-系数动态组合的创新设计，首次实现了实时实例分割，为后续模型（如YOLOv5-seg、SOLO）奠定了基础。其核心思想是将分割解耦为全局原型学习和局部系数预测，显著降低计算复杂度。尽管在精度上逊于两阶段模型，但其高效性使其在自动驾驶、视频分析等实时场景中仍具应用价值。
yolact train过程源码解读（COCO数据集）
蓝羽飞鸟的博客
12-09 954
yolact train源码解读
【YOLACT】代码解读一
01-06
【YOLACT】代码解读一代码运行验证处理图片训练代码解读网络架构 代码运行 根据github所给指导一步一步进行，如果曾经下载好coco数据集，在data/config.py108行以下修改数据集的目录，并且在run_coco_eval.py16行修改验证集annotation文件的路径。 验证 有以下三种评估方式： first python eval.py --trained_model=weights/yolact_base_54_800000.pth 以上命令不使用coco数据集自带的模型评估COCOEval，而是使用自己定义的评估函数。 second python eval.py
Yolact源码解析
Ken的博客
09-29 3464
eval.py文件 数据加载 with timer.env('Load Data'): # img:(550, 550, 3) # gt:(3, 5)，3是3个物体，5是中心点，宽高，类别 # gt_mask: (3, 1080, 1920),1080*1920是加载的原图大小 # h, w:1080, 1920 # num_crowd:0 img, gt, gt_masks, h, w, num_crowd = dataset.pull_item(image_idx) # pull_it
【深度学习】【YOLACT】代码解读一
Hana
02-19 5215
【YOLACT】代码解读一代码运行验证处理图片训练代码解读网络架构 代码运行 根据github所给指导一步一步进行，如果曾经下载好coco数据集，在data/config.py108行以下修改数据集的目录，并且在run_coco_eval.py16行修改验证集annotation文件的路径。 验证 有以下三种评估方式： first python eval.py --trained_model=we...
【深度学习】【YOLACT】代码解读二
Hana
01-14 3752
【YOLACT】代码解读代码运行验证处理图片训练 代码运行 根据github所给指导一步一步进行，如果曾经下载好coco数据集，在data/config.py108行以下修改数据集的目录，并且在run_coco_eval.py16行修改验证集annotation文件的路径。 验证 有以下三种评估方式： first python eval.py --trained_model=weights/yol...
【YOLACT】代码解读
mjiansun的专栏
01-20 7646
源码：https://github.com/dbolya/yolact num_class是算上背景的类别，比如你的类别就一个person，那么记得此时的num_class应该为2，因为还需要算上背景啊。 YOLACT的网络结构及输出 YOLACT的backbone结构 其中_make_layer就是常规的resnet101中的_make_layer，具体是如何操作的可以查看源码ht...
Python-YOLACT一种用于实时实例分割的简单完全卷积模型
08-10
YOLACT 一种用于实时实例分割的简单，完全卷积模型
yolact 评估可视化python代码
09-26
实例分割yolact评估可视化以及去除边缘噪声点代码实现
YOLACT的后处理代码
tugouxp的专栏
02-18 558
NCNN上的yoloact用例，包含YOLACT的后处理代码逻辑： ncnn/yolact.cpp at master · Tencent/ncnn · GitHubncnn is a high-performance neural network inference framework optimized for the mobile platform - ncnn/yolact.cpp at master · Tencent/ncnnhttps://github.com/Tencent/ncnn/bl
YOLACT++代码分析1——数据增强
qq_38800014的博客
05-05 2084
** 数据增强 ** 本系列的博客都是从yolact++源码（https://github.com/dbolya/yolact） 的trian.py文件开始讲解。 1.首先加载数据 #image_path训练图片文件夹 #info_file标签文件夹 dataset = COCODetection(image_path=cfg.dataset.train_images, ...
yolact-gui
02-11
YOLACT-GUI 的GUI应用程序。 单击查看原始项目 安装（检查以获取更多详细信息） 克隆此仓库并输入 git clone https://github.com/jiancong0204/yolact-gui cd yolact-gui mkdir -p data/coco/images # Stores image dataset mkdir -p data/coco/annotations # Stores data annotations mkdir weights # Stores trained model 使用anaconda设置环境 # Create a new environment and activate it conda create -n youlact python=3.7 conda acti
yolact：用于实时实例分割的简单，完全卷积模型
02-21
Ÿ欧唯一一句大号OOK甲吨碳oefficienŤ小号 ██╗ ██╗ ██████╗ ██╗ █████╗ ██████╗████████╗ ╚██╗ ██╔╝██╔═══██╗██║ ██╔══██╗██╔════╝╚══██╔══╝ ╚████╔╝ ██║ ██║██║ ███████║██║ ██║ ╚██╔╝ ██║ ██║██║ ██╔══██║██║ ██║ ██║ ╚██████╔╝███████╗██║ ██║╚██████╗ ██║ ╚═╝ ╚═════╝ ╚══════╝╚═╝ ╚═╝ ╚═════╝ ╚═╝ 一个简单的全卷积模型，用于实时实例分割。 这是我们论文的代码： YOLACT +
yolact
03-28
乳脂状 这是文件中的代码： 我已经使用并更新了的代码 此存储库将帮助您检测和分割汽车实例： 安装 克隆此存储库并输入： git clone https://github.com/Priyashbhugra/yolact.git cd yolact 创建Anaconda环境： conda create -n yolact 运行以下命令并等待直到创建环境： conda create -n yolact conda activate yolact 运行以下命令并等待直到创建环境： conda env create -f environment.yml ` 评估 这是在COCO数据集上预训练的YOLACT模型： 下载Resnet101-FPN ---------- 我仅使用Resnet101-FPN作为骨干网。 要评估模型，请将相应的权重文件放在weights目录中，然后运行以下
Yolact_minimal:YOLACT的最小PyTorch实现
05-14
Yolact_minimal Yolact的最小PyTorch实现 。 原始项目在。 此实现简化了原始代码，保留了主要功能并使网络易于理解。 此实现尚未更新为Yolact ++。 以双绞变压器为骨干的新版本已经在市场上。 TensorRT加速度也已经存在。 这两个分支即将合并。 请检查 网络结构。 环境环境 PyTorch> = 1.1 Python> = 3.6 n 对于CUDA 10.2，onnxruntime-gpu == 1.6.0 tensooardX 其他常见的软件包。 准备 构建cython-nms python setup.py build_ext --inplace 下载COCO 2017数据集，在config.py 'res101_coco'中修改self.data_root 。 下载权重。 Yolact训练的重量。 骨干 盒图 面膜MAP Google云
yolact_person.rar
01-13
基于yolact的重新训练模型, 可用于人体检测. 详细说明见博客 https://blog.youkuaiyun.com/Augurlee/article/details/103574125
【实例分割】论文详解YOLACT：Real-time Instance Segmentation
最新发布
向上生长的程序媛的博客
09-15 851
YOLACT是比较经典的one-stage实例分割方法，属于anchor-base流派，即需要anchor计算。ounlyooktoefficiens（系数复数）摘要：我们提出了一个简单的用于实时实例分割的全卷积模型，在 MS COCO上实现了 29.8 mAP，在单个 Titan Xp 上达到 33.5 fps ，比以前任何竞争方法都要快得多。此外，我们仅在一个训练后就得到了这个结果图形处理器。我们通过将实例分割分成两个并行子任务来实现这一点：（1）生成一组原型掩码和（2）预测每个实例掩码系数。
YOLACT++代码分析2——Yolact模型
qq_38800014的博客
05-05 4299
Yolact模型 在YOLACT++代码分析1——数据增强，我们讲解了数据增强的部分，这一部分主要讲Yolact模型。 首先看到train.py文件 #image_path训练图片文件夹 #info_file标签文件夹 dataset = COCODetection(image_path=cfg.dataset.train_images, ...
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值