Skip to content
KitploitKITPLOIT
أدواتالمدونة
إرسال
أدواتالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

··الخلاصات·اتصال·الخصوصية·© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
Occ — Prohibited Items Segmentation via Occlusion-aware Bilayer Modeling (ICME 2025) | Kitploit
أدوات/GitHubGitHub/ryh1218/occ
Machine LearningPapers & ResearchAI Security
GitHubryh1218/occ

Occ

Prohibited Items Segmentation via Occlusion-aware Bilayer Modeling (ICME 2025)

عرض المستودع
6منذ 6 أشهرلم تتم المراجعة بعد

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →
مشاركة

تجزئة الأصناف الممنوعة عبر النمذجة ثنائية الطبقات المدركة للإطباق (ICME 2025)

التنفيذ الرسمي بـ PyTorch لتجزئة الأصناف الممنوعة عبر النمذجة ثنائية الطبقات المدركة للإطباق.

رابط الورقة: IEEE, Arxiv.

البدء

المتطلبات

تم اختبار الكود بنجاح على لينكس مع Pytorch 2.1.2 و CUDA 11.8.

إذا لزم الأمر، قم بتثبيت numpy<2.0.0 (نستخدم 1.24.0):

root@kitploit:~
conda create -n occ python=3.10
conda activate occ
pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu118
pip install -U openmim
mim install mmcv==2.1.0
conda install mpi4py
pip install -U transformers==4.38.1 wandb==0.16.3 einops pycocotools shapely scipy terminaltables importlib peft==0.8.2 mat4py==0.6.0
conda install importlib-metadata

تجهيز أوزان النموذج

قم بتنزيل أوزان SAM مسبقًا (مثل SAM-vit-large) وحدّث المسارات في 'convert_model_weights.py'. يمكن تنزيل الأوزان باستخدام السكربت التالي:

root@kitploit:~
from transformers import SamModel
import os

hf_pretrain_name = "facebook/sam-vit-large"

cache_dir = f"{os.path.basename(hf_pretrain_name).replace('-', '_')}"
os.makedirs(cache_dir, exist_ok=True)

model = SamModel.from_pretrained(hf_pretrain_name, use_safetensors=False)
model.save_pretrained(cache_dir, safe_serialization=False)

بعد القيام بذلك، شغّل سكربت 'convert_model_weights.py' لتوليد الأوزان الأولية لـ Occluder Mask Decoder.

تجهيز مجموعات البيانات

قم بتنزيل مجموعات البيانات من الروابط التالية، لاحظ أن PIXray تم تحويلها إلى صيغة COCO:

PIDray-A

PIXray-A

دعم مجموعات البيانات المخصصة

استخدم 'convert_occlusion_annotation.py' لتوليد تعليقات الإطباق (occlusion annotations) لمجموعات البيانات بصيغة COCO. لتوليد مجموعات البيانات الخاصة بك مع تعليقات الإطباق، عدّل المسارات في السكربت قبل التنفيذ.

تعديل ملفات الإعدادات

حدّث المسارات في ملفي الإعدادات 'configs/occlusion/pid.py' و 'configs/occlusion/pix.py' وفقًا لإعداداتك.

التدريب والاختبار

تم اختبار كودنا بنجاح على:

  • 1 × NVIDIA A800 Tensor Core GPU

  • 8 × NVIDIA GeForce RTX 4090 GPUs

لتدريب نموذجنا:

root@kitploit:~
# Single GPU, PIDray-A
CUDA_VISIBLE_DEVICES=0 bash ./tools/dist_train.sh configs/occlusion/pid.py 1
# Single GPU, PIXray-A
CUDA_VISIBLE_DEVICES=0 bash ./tools/dist_train.sh configs/occlusion/pix.py 1

# Multiple GPUs, PIDray-A
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 bash ./tools/dist_train.sh configs/occlusion/pid.py 8
# Multiple GPUs, PIXray-A
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 bash ./tools/dist_train.sh configs/occlusion/pix.py 8

لاختبار نموذجنا، اضبط 'CHECKPOINT_FILE' على مسار نقطة التفتيش الخاصة بك، وقم بتهيئة 'GPU_NUM' ليتوافق مع إعداد وحدات المعالجة الرسومية لديك:

root@kitploit:~
# PIDray-A
bash ./tools/dist_test.sh configs/occlusion/pid.py {CHECKPOINT_FILE} {GPU_NUM}
# PIXray-A
bash ./tools/dist_test.sh configs/occlusion/pix.py {CHECKPOINT_FILE} {GPU_NUM}

بالإضافة إلى ذلك، نوفر نقاط تفتيش النموذج في الرابط التالي: Checkpoints

شكر وتقدير

يعتمد هذا التنفيذ على:

  • RSPrompter

  • MMDetection

نشكرهم بصدق على مساهماتهم.

استشهد بهذه الورقة

root@kitploit:~
@inproceedings{ren2025prohibited,
  title={Prohibited Items Segmentation via Occlusion-aware Bilayer Modeling},
  author={Ren, Yunhan and Li, Ruihuang and Liu, Lingbo and Chen,  Changwen},
  booktitle={2025 IEEE International Conference on Multimedia and Expo (ICME)},
  year={2025},
}
تنزيل الأداة