転移学習-cityscapes, cityscapesscripts, Mask R-CNN, Detectron2 の履歴(No.1)

あなたの課題を達成するための一般的なパイプラインを以下に示します。詳細はあなたの環境や特定の設定により異なるかもしれませんので、必要に応じて修正してください。

1. 教師データの準備：**†

Cityscapesのfineレベルのデータから、poleとbuildingのクラスをインスタンス化するためには、cityscapesscriptsを使用します。以下は一般的な手順です。

```python from cityscapesscripts.helpers.labels import labels

# cityscapesscriptsによるデータ処理

# ここでは、poleとbuildingのみを対象としています。

for label in labels:

   if label.name == 'pole' or label.name == 'building':
       label.trainId = label.id
   else:
       label.trainId = label.ignoreInEval

```

このスクリプトはCityscapesデータセットのラベルを変更します。poleとbuildingのインスタンスだけが訓練データとして扱われ、他のすべてのインスタンスは無視されます。

↑

2. 転移学習：**†

次に、Detectron2のMask R-CNNを使用して転移学習を行います。Cityscapesの学習済みモデルを使用し、上記で作成した教師データに対して学習します。

```python from detectron2.data.datasets import register_coco_instances from detectron2.engine import DefaultTrainer from detectron2.config import get_cfg from detectron2 import model_zoo

# 教師データセットの登録 register_coco_instances("my_dataset_train", {}, "path_to_your_dataset.json", "path_to_your_images")

# 設定の準備 cfg = get_cfg()

# Mask R-CNNの設定 cfg.merge_from_file(model_zoo.get_config_file("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml"))

# Cityscapesの学習済みモデルを使用 cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml")

# 新たな教師データセットの指定 cfg.DATASETS.TRAIN = ("my_dataset_train",)

# 学習の開始 trainer = DefaultTrainer(cfg) trainer.resume_or_load(resume=False) trainer.train() ```

ここでの主なポイントは、設定(cfg)においてCityscapesの学習済みモデルを指定し、新たに作成した教師データセットを訓練データとして指定することです。

このパイプラインは非常に基本的なものであり、多くの設定や詳細が省略されて

います。Detectron2とcityscapesscriptsの公式ドキュメンテーションを確認して、より詳細な設定を行ってください。また、データのパス、設定のパラメータ等はあなたの環境に合わせて適宜修正してください。

Cityscapes