Transfer training on Faster R-CNN using custom data の変更点

• 追加された行はこの色です。
• 削除された行はこの色です。
• Transfer training on Faster R-CNN using custom data へ行く。
• Transfer training on Faster R-CNN using custom data の差分を削除

#author("2023-06-11T17:00:32+09:00","default:ait-survey","ait-survey")
#author("2023-06-11T17:07:45+09:00","default:ait-survey","ait-survey")
以下の手順に従って、カスタムデータを使用してDetectron2上でFaster R-CNNの転移学習を行います：~

+Detectron2が読み取れる形式、たとえばCOCO JSONやPascal VOC XMLなどの形式でカスタムデータを準備します。データ変換やデータ拡張を行うためにRoboflowのようなツールを使用できます。
+Detectron2が読み取れる形式、たとえばCOCO JSONやPascal VOC XMLなどの形式でカスタムデータを準備します。データ変換やデータ拡張を行うためにRoboflowのようなツールを使用できます。（うちの場合は，labelme2coco.pyでいいか）
+PyTorch、torchvision、pycocotoolsなど、Detectron2の依存関係をインストールします。このColabノートブックをテンプレートとして使用できます。
+カスタムデータをダウンロードし、DatasetCatalogとMetadataCatalogクラスを使用してDetectron2に登録します。また、Visualizerクラスを使用してデータを視覚化することもできます。
+get_cfg関数とFaster R-CNNの設定ファイルを使用して、Detectron2のトレーニング設定を作成します。クラス数、データセット名、事前学習済みのモデルの重み、学習率スケジュール、バッチサイズなどを指定する必要があります。
+Trainerクラスとtrain関数を使用してDetectron2のトレーニングを実行します。TensorBoardを使用してトレーニングの進行状況を監視できます。
+COCOEvaluatorクラスとinference_on_dataset関数を使用してDetectron2のパフォーマンスを評価します。また、Predictorクラスとpredict関数を使用してテスト画像に対するDetectron2の推論を実行することもできます。

[[転移学習-cityscapes, cityscapesscripts, Mask R-CNN, Detectron2]]