Сегментация экземпляров с помощью Mask R-CNN

Глубокое обучение для работы с изображениями на PyTorch

Michal Oleszak

Machine Learning Engineer

Faster R-CNN

Диаграмма архитектуры Faster R-CNN

Mask R-CNN

Диаграмма архитектуры Mask R-CNN

Предобученный Mask R-CNN в PyTorch

from torchvision.models.detection import \
maskrcnn_resnet50_fpn


model = maskrcnn_resnet50_fpn(pretrained=True)
model.eval()


image = Image.open("cat_and_laptop.jpg")
transform = transforms.Compose([
    transforms.ToTensor()
])
image_tensor = transform(image).unsqueeze(0)


with torch.no_grad():
    prediction = model(image_tensor)

Импорт модели Mask R-CNN
Загрузка предобученной модели
Загрузка тестового изображения и преобразование в тензор

фотография кота рядом с ноутбуком

Передача тензора изображения в модель

Выходные данные модели

Метки

prediction[0]["labels"]

tensor([
    17, 73, 76, 73, 67, 42, 63, 84,73, 65, 
    17, 73, 73, 73, 84, 72, 76, 76,17, 15
])

Названия классов

print(class_names[17], class_names[73])

cat laptop

Вероятности классов

prediction[0]["scores"]

tensor([
    0.9981, 0.9672, 0.9061, 0.6893, 0.3729, 
    ..., 
    0.0745, 0.0705, 0.0623, 0.0610, 0.0508
])

Маски

prediction[0]["masks"]

tensor([[[[0., 0., 0.,  ..., 0., 0., 0.],
          ...]]]])

Мягкие маски

Уникальные значения маски

prediction[0]["masks"].unique()

tensor([0.0000e+00, 5.9713e-08, ..., 
        9.9989e-01, 9.9990e-01])

Маски Mask R-CNN:
- Значения от 0 до 1
- Отражают уверенность модели в принадлежности каждого пикселя объекту
- Содержат более детальную информацию, чем бинарные маски
- При необходимости можно бинаризовать с помощью порогового значения

Отображение мягких масок

masks = prediction[0]["masks"]
labels = prediction[0]["labels"]


for i in range(2):
    plt.imshow(image)

    plt.imshow(
        masks[i, 0],
        cmap="jet",
        alpha=0.5,
    )

    plt.title(
        f"Object: {class_names[labels[i]]}"
    )
    plt.show()

Извлечение масок и меток из предсказания
Перебор двух главных объектов с отображением исходного изображения
Для каждого объекта — наложение полупрозрачной маски
Добавление заголовка и вывод

Отображение мягких масок

Маски сегментации экземпляров, наложенные на изображения

Давайте потренируемся!

Глубокое обучение для работы с изображениями на PyTorch