🌐 Język

🚀 Nie ma czasu na trening!

Segmentacja obiektów na podstawie referencji bez treningu

Stan techniki (Papers with Code) _SOTA 1-shot_ | -21CBCE?style=flat&logo=paperswithcode)

_SOTA 10-shot_ | -21CBCE?style=flat&logo=paperswithcode)

_SOTA 30-shot_ | -21CBCE?style=flat&logo=paperswithcode)

🚨 Aktualizacja (22 lipca 2025): Dodano instrukcje dla niestandardowych zbiorów danych!

🔔 Aktualizacja (16 lipca 2025): Kod został zaktualizowany wraz z instrukcjami!

📋 Spis treści

🎯 Najważniejsze informacje
📜 Streszczenie
🧠 Architektura
🛠️ Instrukcje instalacji
1. Sklonuj repozytorium
2. Utwórz środowisko conda
3. Zainstaluj SAM2 i DinoV2
4. Pobierz zbiory danych
5. Pobierz punkty kontrolne SAM2 i DinoV2
📊 Kod do wnioskowania: Odwzoruj wyniki SOTA 30-shot na Few-shot COCO
0. Utwórz zestaw referencyjny
1. Wypełnij pamięć referencjami
2. Przetwórz bank pamięci
3. Wnioskowanie na obrazach docelowych
Wyniki

🔍 Niestandardowy zbiór danych
0. Przygotuj niestandardowy zbiór danych ⛵🐦
0.1 Jeśli dostępne są tylko adnotacje bbox
0.2 Konwertuj adnotacje coco do pliku pickle
1. Wypełnij pamięć referencjami
2. Postprocessowanie banku pamięci
📚 Cytowanie

🎯 Najważniejsze informacje

💡 Bez trenowania: Bez fine-tuningu, bez inżynierii promptów—tylko obraz referencyjny.
🖼️ Oparte na referencjach: Segmentuj nowe obiekty używając zaledwie kilku przykładów.
🔥 Wydajność SOTA: Przewyższa wcześniejsze podejścia bez trenowania na COCO, PASCAL VOC oraz Cross-Domain FSOD.

Linki:

📜 Streszczenie

The performance of image segmentation models has historically been constrained by the high cost of collecting large-scale annotated data. The Segment Anything Model (SAM) alleviates this original problem through a promptable, semantics-agnostic, segmentation paradigm and yet still requires manual visual-prompts or complex domain-dependent prompt-generation rules to process a new image. Towards reducing this new burden, our work investigates the task of object segmentation when provided with, alternatively, only a small set of reference images. Our key insight is to leverage strong semantic priors, as learned by foundation models, to identify corresponding regions between a reference and a target image. We find that correspondences enable automatic generation of instance-level segmentation masks for downstream tasks and instantiate our ideas via a multi-stage, training-free method incorporating (1) memory bank construction; (2) representation aggregation and (3) semantic-aware feature matching. Our experiments show significant improvements on segmentation metrics, leading to state-of-the-art performance on COCO FSOD (36.8% nAP), PASCAL VOC Few-Shot (71.2% nAP50) and outperforming existing training-free approaches on the Cross-Domain FSOD benchmark (22.4% nAP).

cdfsod-results-final-comic-sans-min

🧠 Architecture

training-free-architecture-comic-sans-min

🛠️ Installation instructions

1. Clone the repository

git clone https://github.com/miquel-espinosa/no-time-to-train.git
cd no-time-to-train

2. Utwórz środowisko conda

Utworzymy środowisko conda z wymaganymi pakietami.

conda env create -f environment.yml
conda activate no-time-to-train

3. Zainstaluj SAM2 i DinoV2

Zainstalujemy SAM2 i DinoV2 ze źródeł.

pip install -e .
cd dinov2
pip install -e .
cd ..

4. Pobierz zestawy danych

Proszę pobrać zestaw danych COCO i umieścić go w data/coco

5. Pobierz checkpointy SAM2 i DinoV2

Pobierzemy dokładnie te same checkpointy SAM2, które zostały użyte w artykule. (Zauważ jednak, że checkpointy SAM2.1 są już dostępne i mogą działać lepiej.)

mkdir -p checkpoints/dinov2
cd checkpoints
wget https://dl.fbaipublicfiles.com/segment_anything_2/072824/sam2_hiera_large.pt
cd dinov2
wget https://dl.fbaipublicfiles.com/dinov2/dinov2_vitl14/dinov2_vitl14_pretrain.pth
cd ../..

📊 Kod inferencji

⚠️ Zastrzeżenie: To jest kod badawczy — spodziewaj się trochę chaosu!

Reprodukowanie wyników SOTA z 30 próbkami w Few-shot COCO

Zdefiniuj przydatne zmienne i utwórz folder na wyniki:

CONFIG=./no_time_to_train/new_exps/coco_fewshot_10shot_Sam2L.yaml
CLASS_SPLIT="few_shot_classes"
RESULTS_DIR=work_dirs/few_shot_results
SHOTS=30
SEED=33
GPUS=4mkdir -p $RESULTS_DIR
FILENAME=few_shot_${SHOTS}shot_seed${SEED}.pkl

#### 0. Utwórz zestaw referencyjny

python no_time_to_train/dataset/few_shot_sampling.py \
        --n-shot $SHOTS \
        --out-path ${RESULTS_DIR}/${FILENAME} \
        --seed $SEED \
        --dataset $CLASS_SPLIT

#### 1. Wypełnij pamięć odniesieniami

python run_lightening.py test --config $CONFIG \
                              --model.test_mode fill_memory \
                              --out_path ${RESULTS_DIR}/memory.ckpt \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --model.init_args.dataset_cfgs.fill_memory.memory_pkl ${RESULTS_DIR}/${FILENAME} \
                              --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOTS \
                              --model.init_args.dataset_cfgs.fill_memory.class_split $CLASS_SPLIT \
                              --trainer.logger.save_dir ${RESULTS_DIR}/ \
                              --trainer.devices $GPUS

#### 2. Post-process pamięci podręcznej

python run_lightening.py test --config $CONFIG \
                              --model.test_mode postprocess_memory \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --ckpt_path ${RESULTS_DIR}/memory.ckpt \
                              --out_path ${RESULTS_DIR}/memory_postprocessed.ckpt \
                              --trainer.devices 1

#### 3. Wnioskowanie na obrazach docelowych

python run_lightening.py test --config $CONFIG  \
                              --ckpt_path ${RESULTS_DIR}/memory_postprocessed.ckpt \
                              --model.init_args.test_mode test \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --model.init_args.model_cfg.dataset_name $CLASS_SPLIT \
                              --model.init_args.dataset_cfgs.test.class_split $CLASS_SPLIT \
                              --trainer.logger.save_dir ${RESULTS_DIR}/ \
                              --trainer.devices $GPUS

Jeśli chcesz zobaczyć wyniki wnioskowania online (w miarę ich obliczania), dodaj argument:

    --model.init_args.model_cfg.test.online_vis True

Aby dostosować parametr progu punktowego score_thr, dodaj argument (na przykład, aby wizualizować wszystkie przypadki z wynikiem wyższym niż 0.4):

    --model.init_args.model_cfg.test.vis_thr 0.4

Obrazy będą teraz zapisywane w results_analysis/few_shot_classes/. Obraz po lewej stronie przedstawia prawdziwe oznaczenie, obraz po prawej stronie pokazuje wykryte segmentacje przez naszą metodę niewymagającą treningu.

Zwróć uwagę, że w tym przykładzie używamy podziału few_shot_classes, dlatego powinniśmy spodziewać się segmentacji tylko tych klas, które znajdują się w tym podziale (nie wszystkich klas w COCO).

#### Wyniki

Po przetworzeniu wszystkich obrazów w zestawie walidacyjnym powinieneś otrzymać:

BBOX RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.368SEGM RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.342

🔍 Własny zbiór danych

Podajemy instrukcje dotyczące uruchomienia naszego pipeline'u na własnym zbiorze danych. Format adnotacji zawsze musi być w formacie COCO.

TLDR; Aby bezpośrednio zobaczyć, jak uruchomić pełny pipeline na własnych zbiorach danych, zobacz scripts/matching_cdfsod_pipeline.sh wraz z przykładowymi skryptami dla zbiorów CD-FSOD (np. scripts/dior_fish.sh)

0. Przygotuj własny zbiór danych ⛵🐦

Załóżmy, że chcemy wykrywać łodzie⛵ oraz ptaki🐦 w niestandardowym zbiorze danych. Aby użyć naszej metody, będziemy potrzebować:

Przynajmniej 1 zaadnotowanego obrazu referencyjnego dla każdej klasy (tj. 1 obraz referencyjny dla łodzi i 1 obraz referencyjny dla ptaka)
Wiele obrazów docelowych do wyszukiwania instancji naszych pożądanych klas.

Przygotowaliśmy przykładowy skrypt do stworzenia własnego zbioru danych z użyciem obrazów coco, dla ustawienia 1-shot.

mkdir -p data/my_custom_dataset
python scripts/make_custom_dataset.py

To utworzy niestandardowy zestaw danych o następującej strukturze folderów:

data/my_custom_dataset/
    ├── annotations/
    │   ├── custom_references.json
    │   ├── custom_targets.json
    │   └── references_visualisations/
    │       ├── bird_1.jpg
    │       └── boat_1.jpg
    └── images/
        ├── 429819.jpg
        ├── 101435.jpg
        └── (all target and reference images)

Wizualizacja obrazów referencyjnych (1-strzałowa):

0.1 Jeśli dostępne są tylko adnotacje bbox

Zapewniamy także skrypt do generowania masek segmentacji na poziomie instancji przy użyciu SAM2. Jest to przydatne, jeśli dla obrazów referencyjnych dostępne są tylko adnotacje w postaci ramek ograniczających.

# Download sam_h checkpoint. Feel free to use more recent checkpoints (note: code might need to be adapted)
wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth -O checkpoints/sam_vit_h_4b8939.pth
Run automatic instance segmentation from ground truth bounding boxes.
python no_time_to_train/dataset/sam_bbox_to_segm_batch.py \
    --input_json data/my_custom_dataset/annotations/custom_references.json \
    --image_dir data/my_custom_dataset/images \
    --sam_checkpoint checkpoints/sam_vit_h_4b8939.pth \
    --model_type vit_h \
    --device cuda \
    --batch_size 8 \
    --visualize

Obrazki referencyjne z maskami segmentacji na poziomie instancji (wygenerowane przez SAM2 z gt bounding boxes, 1-shot):

Wizualizacje wygenerowanych masek segmentacji są zapisane w data/my_custom_dataset/annotations/custom_references_with_SAM_segm/references_visualisations/.

| Obrazek referencyjny 1-shot dla PTAKA 🐦 (automatycznie segmentowany przez SAM) | Obrazek referencyjny 1-shot dla ŁODZI ⛵ (automatycznie segmentowany przez SAM) | |:---------------------------------:|:----------------------------------:| | bird_1_with_SAM_segm | boat_1_with_SAM_segm |

0.2 Konwersja anotacji coco do pliku pickle

python no_time_to_train/dataset/coco_to_pkl.py \
    data/my_custom_dataset/annotations/custom_references_with_segm.json \
    data/my_custom_dataset/annotations/custom_references_with_segm.pkl \
    1

1. Wypełnij pamięć referencjami

Najpierw zdefiniuj przydatne zmienne i utwórz folder na wyniki. Aby poprawnie wyświetlać etykiety, nazwy klas powinny być uporządkowane według identyfikatora kategorii, tak jak występują w pliku json. Np. bird ma identyfikator kategorii 16, boat ma identyfikator kategorii 9. Zatem CAT_NAMES=boat,bird.

DATASET_NAME=my_custom_dataset
DATASET_PATH=data/my_custom_dataset
CAT_NAMES=boat,bird
CATEGORY_NUM=2
SHOT=1
YAML_PATH=no_time_to_train/pl_configs/matching_cdfsod_template.yaml
PATH_TO_SAVE_CKPTS=./tmp_ckpts/my_custom_dataset
mkdir -p $PATH_TO_SAVE_CKPTS

Uruchom krok 1:

python run_lightening.py test --config $YAML_PATH \
    --model.test_mode fill_memory \
    --out_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory.pth \
    --model.init_args.dataset_cfgs.fill_memory.root $DATASET_PATH/images \
    --model.init_args.dataset_cfgs.fill_memory.json_file $DATASET_PATH/annotations/custom_references_with_segm.json \
    --model.init_args.dataset_cfgs.fill_memory.memory_pkl $DATASET_PATH/annotations/custom_references_with_segm.pkl \
    --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOT \
    --model.init_args.dataset_cfgs.fill_memory.cat_names $CAT_NAMES \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

2. Bank pamięci po przetworzeniu

python run_lightening.py test --config $YAML_PATH \
    --model.test_mode postprocess_memory \
    --ckpt_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory.pth \
    --out_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory_postprocessed.pth \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

3. Wnioskowanie na obrazach docelowych

Jeśli ONLINE_VIS jest ustawione na True, wyniki predykcji zostaną zapisane w results_analysis/my_custom_dataset/ i wyświetlone na bieżąco podczas obliczeń. UWAGA: uruchamianie z wizualizacją online jest znacznie wolniejsze.

Możesz dowolnie zmienić próg punktowy VIS_THR, aby zobaczyć więcej lub mniej wysegmentowanych obiektów.

ONLINE_VIS=True
VIS_THR=0.4
python run_lightening.py test --config $YAML_PATH \
    --model.test_mode test \
    --ckpt_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory_postprocessed.pth \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --model.init_args.model_cfg.test.imgs_path $DATASET_PATH/images \
    --model.init_args.model_cfg.test.online_vis $ONLINE_VIS \
    --model.init_args.model_cfg.test.vis_thr $VIS_THR \
    --model.init_args.dataset_cfgs.test.root $DATASET_PATH/images \
    --model.init_args.dataset_cfgs.test.json_file $DATASET_PATH/annotations/custom_targets.json \
    --model.init_args.dataset_cfgs.test.cat_names $CAT_NAMES \
    --trainer.devices 1

Wyniki

Metryki wydajności (przy dokładnie tych samych parametrach jak powyższe polecenia) powinny być następujące:

BBOX RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.478SEGM RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.458

Wyniki wizualne są zapisywane w results_analysis/my_custom_dataset/. Należy zauważyć, że nasza metoda działa dla fałszywych negatywów, czyli obrazów, które nie zawierają żadnych instancji pożądanych klas.

Kliknij obrazy, aby powiększyć ⬇️

| Obraz docelowy z łodziami ⛵ (po lewej GT, po prawej predykcje) | Obraz docelowy z ptakami 🐦 (po lewej GT, po prawej predykcje) | |:----------------------:|:----------------------:| | 000000459673 | 000000407180 |

| Obraz docelowy z łodziami i ptakami ⛵🐦 (po lewej GT, po prawej predykcje) | Obraz docelowy bez łodzi i ptaków 🚫 (po lewej GT, po prawej predykcje) | |:---------------------------------:|:----------------------------------:| | 000000517410 | 000000460598 |

📚 Cytowanie

Jeśli korzystasz z tej pracy, prosimy o cytowanie:

@article{espinosa2025notimetotrain,
  title={No time to train! Training-Free Reference-Based Instance Segmentation},
  author={Miguel Espinosa and Chenhongyi Yang and Linus Ericsson and Steven McDonagh and Elliot J. Crowley},
  journal={arXiv preprint arXiv:2507.02798},
  year={2025},
  primaryclass={cs.CV}
}

--- Tranlated By Open Ai Tx | Last indexed: 2025-09-06 ---