This is the Windows app named maskrcnn-benchmark whose latest release can be downloaded as Initialreleasesourcecode.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
Laden Sie diese App namens maskrcnn-benchmark kostenlos herunter und führen Sie sie online mit OnWorks aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie einen beliebigen OS OnWorks-Online-Emulator von dieser Website, aber einen besseren Windows-Online-Emulator.
- 5. Rufen Sie vom gerade gestarteten OnWorks Windows-Betriebssystem unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter und installieren Sie sie.
- 7. Laden Sie Wine aus den Software-Repositorys Ihrer Linux-Distributionen herunter. Nach der Installation können Sie dann auf die App doppelklicken, um sie mit Wine auszuführen. Sie können auch PlayOnLinux ausprobieren, eine schicke Schnittstelle über Wine, die Ihnen bei der Installation beliebter Windows-Programme und -Spiele hilft.
Wine ist eine Möglichkeit, Windows-Software unter Linux auszuführen, jedoch ohne Windows. Wine ist eine Open-Source-Windows-Kompatibilitätsschicht, die Windows-Programme direkt auf jedem Linux-Desktop ausführen kann. Im Wesentlichen versucht Wine, genügend Windows von Grund auf neu zu implementieren, damit alle diese Windows-Anwendungen ausgeführt werden können, ohne dass Windows tatsächlich benötigt wird.
SCREENSHOTS
Ad
maskrcnn-Benchmark
BESCHREIBUNG
Mask R-CNN Benchmark ist ein PyTorch-basiertes Framework, das leistungsstarke Implementierungen von Modellen zur Objekterkennung, Instanzsegmentierung und Keypoint-Erkennung bietet. Ursprünglich zum Benchmarking von Mask R-CNN und verwandten Modellen entwickelt, bietet es ein klares, modulares Design, um Erkennungssysteme effizient auf Standard-Datensätzen wie COCO zu trainieren und zu bewerten. Das Framework integriert kritische Komponenten – Region Proposal Networks (RPNs), RoIAlign-Ebenen, Mask Heads und Backbone-Architekturen wie ResNet und FPN – und ist auf Genauigkeit und Geschwindigkeit optimiert. Es unterstützt verteiltes Training auf mehreren GPUs, gemischte Präzision und benutzerdefinierte Datenlader für neue Datensätze. Als Referenzimplementierung entwickelt, wurde es zur Grundlage für Detectron2 der nächsten Generation, wird aber weiterhin häufig für Forschungsarbeiten verwendet, die eine stabile, reproduzierbare Umgebung benötigen. Visualisierungstools, Model-Zoo-Checkpoints und Benchmark-Skripte erleichtern die Reproduktion modernster Ergebnisse oder die Feinabstimmung von Modellen für benutzerdefinierte Aufgaben.
Eigenschaften
- Hochleistungsimplementierungen von Mask R-CNN, Faster R-CNN und Keypoint-Modellen
- Modulare Komponenten für RPNs, RoIAlign, Maskenköpfe und Backbones
- Verteiltes Training mit mehreren GPUs und Unterstützung für gemischte Präzision
- Datensatzunterstützung und Lader für COCO, Pascal VOC und benutzerdefinierte Datensätze
- Visualisierungs- und Auswertungstools für Erkennungs- und Segmentierungsergebnisse
- Reproduzierbare Referenzimplementierung für Benchmarking und Feinabstimmung
Programmiersprache
Python
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/maskrcnn-benchmark.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.
