fastsam-pytorch基于YOLACT方法的实例分割分支的目标检测器模型

本文主要是介绍fastsam-pytorch基于YOLACT方法的实例分割分支的目标检测器模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

FastSAM

论文

Fast Segment Anything

模型结构

以yolov8-seg的instance segmentation为基础，检测时集成instance segmentation分支,主要分为两步全实例分割(all instance Segmentation)和基于prompt的mask输出(Prompt-guided Selection)，仅使用了2%的SA-1B数据集便得到了差不多的精度但快几十倍的速度。

算法原理

该算法采用yolov8-seg的instance segmentation为基础，检测时集成instance segmentation分支实现。

环境配置

Docker (方法一)

docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk23.10-py38
# <your IMAGE ID>为以上拉取的docker的镜像ID替换
docker run -it -v /path/your_code_data/:/path/your_code_data/ -v /opt/hyhal:/opt/hyhal --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
cd /path/workspace/
pip3 install -r requirements.txt
pip3 install git+https://github.com/openai/CLIP.git

Dockerfile (方法二)

cd ./docker
docker build --no-cache -t fastsam_pytorch:last .
# <your IMAGE ID>为以上拉取的docker的镜像ID替换
docker run -it -v /path/your_code_data/:/path/your_code_data/ -v /opt/hyhal:/opt/hyhal --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash

Anaconda (方法三)

1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装： https://developer.hpccube.com/tool/

DTK软件栈：dtk23.10
python：python3.8
pytorch：1.13.1
torchvision:0.14.1

Tips：以上dtk软件栈、python、pytorch等DCU相关工具版本需要严格一一对应

2、其他非特殊库直接按照requirements.txt安装

pip3 install -r requirements.txt
pip3 install git+https://github.com/openai/CLIP.git

数据集

训练数据集为SA-1B的2%左右的数据量，由于数据量过大，且官方并未放出2%的具体数据集，以下数据集为SA-1B原始数据集，训练仅供参考。

训练数据

推理

单卡推理

权重下载地址

HIP_VISIBLE_DEVICES=1 python Inference.py --model_path ./weights/FastSAM_X.pt --img_path ./images/dogs.jpg

result

此处以Fast-SAM-x模型进行推理测试

输入	输出

精度

Instance Segmentation On COCO 2017

method	AP	APS	APM	APL
ViTDet-H	.510	.320	.543	.689
SAM	.465	.308	.510	.617
FastSAM	.379	.239	.434	.500

应用场景

算法分类

图像分割

热点应用行业

制造,广媒,能源,医疗,家居,教育

源码仓库及问题反馈

ModelZoo / FastSAM_pytorch · GitLab

参考资料

FastSAM基于YOLACT方法的实例分割分支的目标检测器YOLOv8-seg，通过仅在SA-1B数据集的2%（1/50）上直接训练该CNN检测器，它实现了与SAM相当的性能。

这篇关于fastsam-pytorch基于YOLACT方法的实例分割分支的目标检测器模型的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---