PolygonRNN++

这是 Polygon-RNN++（CVPR-2018）的官方推理代码。有关技术细节，请参阅：

带有训练/工具代码的官方 PyTorch 重新实现可在这里找到

使用 Polygon-RNN++ 高效地交互式标注分割数据集
David Acuna*, Huan Ling*, Amlan Kar*, Sanja Fidler (* 表示共同第一作者)
CVPR 2018
[论文] [视频] [项目页面] [演示] [训练/工具代码]

使用方法

1. 克隆仓库

git clone https://github.com/davidjesusacu/polyrnn && cd polyrnn

2. 安装依赖
   （注意：建议使用 GPU（以及 tensorflow-gpu）。模型也可以在 CPU 上运行，但速度较慢。）

virtualenv env
source env/bin/activate
pip install -r requirements.txt

3. 下载预训练模型和图文件（448 MB）
   （这些模型是在 Cityscapes 数据集上训练的）

./models/download_and_unpack.sh 

4. 运行 demo_inference.sh

./src/demo_inference.sh 

这将在 output/ 文件夹中生成如下所示的结果：

演示教程

请查看 ipython 笔记本，它提供了一个简单的演示教程，说明如何在示例输入图像裁剪上运行我们的模型。

如果您使用此代码，请引用以下文献：

@inproceedings{AcunaCVPR18,
title={Efficient Interactive Annotation of Segmentation Datasets with Polygon-RNN++},
author={David Acuna and Huan Ling and Amlan Kar and Sanja Fidler},
booktitle={CVPR},
year={2018}
}

@inproceedings{CastrejonCVPR17,
title = {Annotating Object Instances with a Polygon-RNN},
author = {Lluis Castrejon and Kaustav Kundu and Raquel Urtasun and Sanja Fidler},
booktitle = {CVPR},
year = {2017}
}

Polyrnn-pp 快速上手指南

Polyrnn-pp (Polygon-RNN++) 是 CVPR 2018 发表的用于高效交互式分割数据集标注的官方推理代码。该模型能够根据用户点击或自动预测生成物体多边形轮廓。

环境准备

• 操作系统: Linux / macOS (Windows 需使用 WSL)
• 硬件要求: 推荐使用 GPU 以获得流畅体验（需安装 tensorflow-gpu）。CPU 亦可运行，但速度较慢。
• 前置依赖:
  • Python 2.7 或 3.x (取决于 requirements.txt 具体版本，通常建议构建虚拟环境)
  • Git
  • Virtualenv

安装步骤

1. 克隆仓库

   git clone https://github.com/davidjesusacu/polyrnn && cd polyrnn
   

2. 创建并激活虚拟环境

   virtualenv env
   source env/bin/activate
   

3. 安装 Python 依赖

   提示：国内开发者若下载缓慢，可临时指定清华源加速安装： pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

   pip install -r requirements.txt
   

4. 下载预训练模型 下载在 Cityscapes 数据集上训练的模型及计算图文件（约 448 MB）：

   ./models/download_and_unpack.sh
   

   注意：若脚本下载失败，可手动访问项目页面下载后解压至 models/ 目录。

基本使用

运行官方提供的演示推理脚本，将对示例图像进行多边形预测：

./src/demo_inference.sh

执行完成后，结果将保存在 output/ 文件夹中。您可以查看生成的图片以验证效果（例如 frankfurt_000000_000294_42.png）。

进阶探索： 如需更灵活地测试单张图像裁剪块，可参考 Jupyter Notebook 教程：

# 启动 jupyter 后打开 src/demo_polyrnn.ipynb
jupyter notebook src/demo_polyrnn.ipynb