Entraînement de segmentation sémantique avec Detectron2

---

Script minimal pour entraîner un modèle de segmentation sémantique avec Detectron2 sur vos propres données COCO.

Installation

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
# Ou installez Detectron2 selon votre version de CUDA :
pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu118/torch2.0/index.html

Préparez vos données COCO dans :

• dataset/train/images et dataset/train/annotations.json
• dataset/valid/images et dataset/valid/annotations.json

Lancement rapide

python train.py --backbone mask_rcnn_R_50_FPN_3x --max-iter 5000 \
  --train-json dataset/train/annotations.json --train-img-dir dataset/train/images \
  --val-json dataset/valid/annotations.json --val-img-dir dataset/valid/images

Arguments principaux

Argument	Type	Défaut	Description
-b, --backbone	str	mask_rcnn_R_50_FPN_3x	Backbone Detectron2 à utiliser
--max-iter	int	5000	Nombre d'itérations d'entraînement
--output	str	output_semseg	Dossier racine de sortie
--train-json	str	dataset/train/annotations.json	Fichier COCO d'entraînement
--train-img-dir	str	dataset/train/images	Dossier images d'entraînement
--val-json	str	dataset/valid/annotations.json	Fichier COCO de validation
--val-img-dir	str	dataset/valid/images	Dossier images de validation
--augment / --no-augment	bool	--augment (activé par défaut)	Active ou désactive la data augmentation avancée (rotations, flips, luminosité, contraste) pour l'entraînement

Backbones disponibles : mask_rcnn_R_50_FPN_3x, mask_rcnn_R_101_FPN_3x, panoptic_fpn_R_50_3x, panoptic_fpn_R_101_3x

---

Data augmentation avancée

• Par défaut, la data augmentation avancée est activée lors de l'entraînement :
  • Rotations multiples (90°, 180°, 270°)
  • Flips horizontaux et verticaux
  • Ajustements de luminosité et de contraste
• Pour désactiver ces transformations aléatoires, ajoutez simplement l'option --no-augment à votre commande.

Exemples :

• Avec data augmentation (par défaut) :

  python train.py --augment ...

  ou simplement

  python train.py ...

• Sans data augmentation :

  python train.py --no-augment ...

---

Ce projet est distribué sous licence MIT.

Script de diagnostic et documentation pour installer et valider une chaîne GPU/CUDA/PyTorch compatible RTX 5090 sous WSL2 (Windows Subsystem for Linux 2).

---

Sommaire

• Présentation
• Installation rapide
• Utilisation
• Documentation détaillée
• Licence
• Contributeurs

---

Présentation

Ce projet fournit :

• Un script Python pour diagnostiquer la compatibilité GPU/CUDA/PyTorch, spécialement pour les GPU Ada Lovelace (RTX 5090).
• Une documentation complète pour installer CUDA et PyTorch sous WSL2.

Installation rapide

1. Créer et activer un environnement virtuel avec uv

   uv venv
   source .venv/bin/activate

2. Installer PyTorch (nightly, CUDA 12.8, RTX 5090)

   uv pip install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128

3. Installer le CUDA Toolkit dans WSL2
   • Suivre le guide détaillé : INSTALL_CUDA_WSL2.md

Utilisation

Lancez le diagnostic complet avec :

python main.py

Vous obtiendrez un rapport sur :

• Le GPU détecté et ses caractéristiques
• La version CUDA disponible
• La version et la compatibilité PyTorch/CUDA
• Les conseils pour corriger la chaîne si besoin

Documentation détaillée

Consultez le guide complet d'installation et de résolution de problèmes ici :

• INSTALL_CUDA_WSL2.md

Licence

Ce projet est distribué sous licence MIT. Voir le fichier LICENSE.

Contributeurs

• Auteur principal : @NaPtaX
• Contributions bienvenues via Pull Request !