前言:
在很多情況下，我們想實作一個模型來跑自己的一個任務，但不得不做很多重複的工作，例如圖像預處理，搭建網絡，可視化輸出，計算推理時間等。
商湯貢獻了MMdetection項目， Facebook開源了detectron項目，它們把搭建一個模型所需要的一系列工作進行整合，實作了較為簡單的方式去搭建并訓練一個模型，但對于想要運作某個模型去完成一個任務來說，它們仍然不夠簡便。
在本文，将介紹一個更為簡單的github項目--Easy Model Zoo（簡稱EMZ），通過EMZ運作一個模型隻需要不到十行代碼。
emz 的目标是抽象出所有不需要的東西，如果您隻想運作模型，則不需要這些東西。您不感興趣，如果實際模型是在 Pytorch、Tensorflow 或 Caffee 中實作的。你隻是想試試這個模型。您甚至不需要自己下載下傳模型。Emz 将為您下載下傳。
示例代碼
from easy_model_zoo import ModelRunner img_path = 'FULL PATH TO YOUR IMAGE' device = 'GPU' # or CPU # Choose a model from the list above model_runner = ModelRunner('EfficientDet-d0', device) model_runner.visualize(img_path, predictions) 
就這麼簡單。
EMZ 有一個支援 CPU 或 GPU 推理的标準化 API。添加新模型很容易，隻需建立一個新目錄和一個從 Model 繼承的新模型類。然後實作所有必要的方法。
EMZ還負責可視化預測。目的是不需要編寫任何額外的代碼。
下面是EMZ的Model 類。
它具有針對不同任務的不同模型的目錄。
目前支援的任務有：物體檢測、語義分割、執行個體分割。
随着時間的推移，後續會添加更多任務和更多模型。
下載下傳安裝方式
git clone https://github.com/SharifElfouly/easy-model-zoo cd easy-model-zoo pip3 install easy_model_zoo-0.2.4-py3-none-any.whl 其他文章
注意力機制總結
特征金字塔總結
資料增強方法總結
CNN可視化技術總結
CNN結構演變總結—經典模型
CNN結構演變總結—輕量化模型
CNN結構演變總結—設計原則
池化技術總結
非極大值抑制總結
英文文獻閱讀方法總結
論文創新的常見思路總結
本文來源于公衆号CV技術指南的技術總結系列。
在公衆号《CV技術指南》中回複“技術總結”可擷取以上所有總結系列文章的彙總pdf