Forum Replies Created
- Posts
Olá!
1. O threshold do IoU utilizado pelo modelo de avaliação padrão do Mask R-CNN pode variar dependendo da implementação específica ou da configuração definada. No caso dessa biblioteca e outras implementações é usado por padrão 0.5, como comumente usado também em conjuntos de dados como MS COCO e PASCAL VOC. Para outros casos, recomenda-se consultar a documentação oficial da biblioteca Matterport ou os parâmetros de configuração do modelo para determinar o valor padrão ou como configurá-lo de acordo com suas necessidades específicas.
2. Sim, outras métricas de avaliação como IoU e Dice Coefficient podem ser utilizadas para avaliar modelos treinados com o Mask R-CNN. Para isso, você pode implementar essas métricas manualmente ou utilizar bibliotecas como scikit-learn ou TensorFlow para calcular essas métricas com base nas máscaras previstas e nas máscaras de referência (ground truth).
Para o IoU pode usar o método jaccard_score, que se refere ao Índice Jaccard, nesse caso o mesmo que IoU
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.jaccard_score.html
e para o Dice Coefficient, use o método de implementação do F1 score, que é o mesmo que o algoritmo do Dice.
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html
Para o IoU você pode usar também o Tensorflow por exemplo, através do método MeanIoU https://www.tensorflow.org/api_docs/python/tf/keras/metrics/MeanIoU
Exemplo de código:
from tensorflow.keras.metrics import MeanIoU
iou_resultado = MeanIoU(num_classes = 2)test_img_input = np.expand_dims(img_teste, 0)
test_img_input.shapepredicao = (model.predict(test_img_input)[0,:,:,0] > 0.5).astype(np.uint8)
plt.imshow(predicao)
plt.title(‘Predição’)
iou_resultado.update_state(ground_truth[:,:,0], predicao)
print(‘IoU para a imagem: ‘, iou_resultado.result().numpy())Olá! Essa dúvida você havia postado em outro tópico, mas só para deixar respondido nesse também:
Para fazer isso, basta usar esse comando para fazer o download do modelo
!wget -O ./tessdata/por.traineddata https://github.com/tesseract-ocr/tessdata/blob/main/por.traineddata?raw=true
Então, na sequência usar esse código:
config_tesseract = ‘–tessdata-dir tessdata’
texto = pytesseract.image_to_string(rgb, lang=’por’, config=config_tesseract)Olá! Já que você está executando localmente deve usar o método nativo do OpenCV, que é o cv2.imshow (com “.” em vez de “_”), então até aí você fez correto mesmo. Porém, diferente do cv2_imshow (usado apenas dentro Colab), nesse você precisa passar o nome do janela também como parâmetro, antes da variável da imagem, por exemplo assim: cv2.imshow(“imagem de teste”, imagem). Se quiser mais detalhes sobre essa função, veja aqui.
Olá Ailton! Esse erro ocorre devido a um erro de digitação eu imagino, na mensagem que você passou consta no caminho “yolo4.weights”, na verdade seria “yolov4.weights”, ou seja ficou faltando o “v” apenas. Fazendo essa correção no comando é para baixar o arquivo correto.
Olá Michael, que ótimo saber que você conseguiu realizar o seu objetivo através das técnicas propostas! Meus parabéns =)
A agradecemos ao seu feedback quanto ao curso!
Olá Adriano! Uma razão comum para esse erro é quando no pom está sendo especificado somente “javacv” e não “javacv-platform”, precisa conter o ID completo pois esse erro pode dar quando não vem as dependências do platform. Veja o código de referência aqui.
Outra sugestão seria usar a versão 1.3.3 que é a mesma exata usada no curso, então é garantido que funcione. Baixe ela aqui: https://drive.google.com/open?id=1ZVCFr7eyn0oH0bExqu_IU_xE-DeyTwji
Caso não funcione, experimente remover todos os JARs e adicioná-los novamente. Ou, também pode adicionar todos os outros JARs que vieram juntos no zip e depois testar, se funcionar então você vai removendo até deixar apenas os essenciais. Em todo caso, siga as instruções da aula de instalação do curso, pois lá mostra exatamente quais JARs você tem que manter.
Olá Flávio!
Para poder rodar com essa GPU você pode usar o xformers, que otimizará o uso da memória. O código que você forneceu aqui faz o uso dessa função, porém ele é definido para o pipeline atribuído a variável “sd15”, não ao pipeline que você configurou para gerar as imagens (atribuído à variável “pipe”). Ou seja, ele foi definido mas não foi usado na geração. Então, para resolver basta gerar usando o pipeline definido como sd15, ou simplesmente substituir onde aparece “sd15” por “pipe”, ficando assim:
[…]
pipe.enable_attention_slicing()
pipe.enable_xformers_memory_efficient_attention()prompt = “a photo of a terrier wearing sunglasses, on the beach, ocean in the background”
generator = torch.Generator(“cuda”).manual_seed(seed)
img = pipe(prompt, generator=generator).images[0][…]
A biblioteca diffusers oferece também outras opções caso queira otimizar mais ainda e portanto usar menos da memória da GPU, dê uma olhada aqui nesse artigo, tem o código disponível pronto para uso https://huggingface.co/docs/diffusers/optimization/memory
Mas acredito que configurando o xformers seja o suficiente, só verifique antes se ele foi instalado corretamente.
