凡科网站插件代码,阿里云网站备案后,做网站的规范尺寸,wordpress的首页例子文章目录0.mmSegmentation介绍1.mmSegmentation基本框架1.1.mmSegmentation的model设置1.2.mmSegmentation的dataset设置1.2.1.Dataset Class文件配置1.2.2.Dataset Config文件配置1.2.3.Total Config文件配置2.运行代码 3.展示效果图和预测X.附录X.1.mmSegmentation框架解释 X…
文章目录0.mmSegmentation介绍1.mmSegmentation基本框架1.1.mmSegmentation的model设置1.2.mmSegmentation的dataset设置1.2.1.Dataset Class文件配置1.2.2.Dataset Config文件配置1.2.3.Total Config文件配置2.运行代码 3.展示效果图和预测X.附录X.1.mmSegmentation框架解释 X.2.mmsegmentation使用的预训练backbone X.2.mmsegmentation官方帮助文档0.mmSegmentation介绍
\qquadmmSegmentation是openmmlab项目下开源的图像语义分割框架目前支持pytorch由于其拥有pipeline加速完善的数据增强体系完善的模型库作为大数据语义分割训练及测试的代码框架是再好不过了。 \qquad在开始本教程之前你需要解决openmmlab的环境配置问题好在这个repo上已经有很人性化的步骤讲解了在此附上链接就不赘述了
Github链接安装openmmlab环境
使用教程的相关链接如下github的项目还自带了中文版
Github链接openmmlab/mmSegmentationGitio教程openmmlab/mmSegmenatation
\qquad对着mmSegmentation官方教程一步步做固然是能做出来但是由于其框架结构过于复杂加之官方教程对如何规范自定义数据集缺乏一些tips因而本文提供了一个相对简单的教程供大家参考。本文所有讲解目录均为mmSegmentation的项目目录。
1.mmSegmentation基本框架
\qquad要说mmSegmentation(以下简称mmSeg)当中最重要的东西固然是Config文件了Config文件可以分为4大类
model configdataset configruntime configschedule config
\qquad如果你想知道为什么分成这四大类请参考本文X.1.节对这个不感兴趣就继续往下看。其实3和4大多数人都用不到的重点还是在1和2下面就从这两个角度给大家来一个不算精细的讲解。
1.1.mmSegmentation的model设置
\qquad如果采用的是mmSegmentation里面支持的模型那么固然是不需要自己写class了自己挑一个模型就可以了。这些model的目录保存在了configs/models里面了。 第一个下划线前面的都好理解就是模型的名字呗那r50-d8可能就是resnet的类型了有人会问那resnet101和resnet152哪去了别急其实这些只是baseline它的backbone是可以改的比如说我们要使用的是danet_r50-d8.py我们先打开它这里我已经将SyncBN改成了BN因为需要单GPU训练 \qquad只需要把model.backbone.depth设为101或者152就可以使用resnet101或者resnet152啦如果你的本地没有模型mmSeg就会从model_zoo里面下载一个如果本地有应该是保存在了checkpoint里面则自动加载本地的不会重复下载。其他的操作后面会讲另外如果你是多GPU操作就选择使用SyncBN否则就使用BN就可以了。如果使用了SyncBN却只有一块可用的GPU那可能会报类似AssertionError:Default process group is not initialized的错误。有人可能问那我直接改了这个文件不就吧原来的默认参数给覆盖了嘛不要紧看到后面大家就会明白这个问题很容易解决这里只是给大家做一个demo。
1.2.mmSegmentation的dataset设置
\qquad数据集设置比model的稍微复杂一点这里会直接定义一个自己的数据集Custom Dataset来说明其原理。数据集需要准备的文件有三个
Dataset Class文件Dataset Config文件Total Config文件
\qquad在X.1.节提到的config文件就是Total config顶层设置文件也是train.py文件直接调用的config文件而Dataset Class文件是用来定义数据集的类别数和标签名称的Dataset Config文件则是用来定义数据集目录、数据集信息例如图片大小、数据增强操作以及pipeline的。
1.2.1.Dataset Class文件配置
\qquad首先来说Dataset Class文件这个文件存放在 mmseg/datasets/ 目录下 \qquad在这个目录下自己建一个数据集文件并命个名。配置文件实际上是继承该目录下custom.py当中的CustomDataset父类的这样写起了就简单多了大多数情况下当你的数据集是以一张张图片出现并且可用PIL模块读入时你只需要设置两个参数即可——类别标签名称CLASSES和类别标签上色的RGB颜色PALETTE。以我的配置文件为例代码如下
from mmseg.datasets.builder import DATASETS
from mmseg.datasets.custom import CustomDataset
import os.path as ospDATASETS.register_module()
class MRDDataset(CustomDataset):CLASSES (background,road)PALETTE [[0,0,0],[255,255,255]]def __init__(self, split, **kwargs):super().__init__(img_suffix.png, seg_map_suffix.png, splitsplit, **kwargs)assert osp.exists(self.img_dir) and self.split is not None\qquadimg_suffix和seg_map_suffix分别是你的数据集图片的后缀和标签图片的后缀因个人差异而定tif格式的图片我还没有试过但是jpg和png的肯定是可以的。 \qquad设置好之后记得保存在mmseg/datasets/目录下我的文件名叫my_road_detect.py。另外还需要设置一下该目录下的__init__文件
from .ade import ADE20KDataset
from .builder import DATASETS, PIPELINES, build_dataloader, build_dataset
from .chase_db1 import ChaseDB1Dataset
from .cityscapes import CityscapesDataset
from .custom import CustomDataset
from .dataset_wrappers import ConcatDataset, RepeatDataset
from .drive import DRIVEDataset
from .hrf import HRFDataset
from .pascal_context import PascalContextDataset, PascalContextDataset59
from .stare import STAREDataset
from .voc import PascalVOCDataset
from .my_road_detect import MRDDataset
__all__ [CustomDataset, build_dataloader, ConcatDataset, RepeatDataset,DATASETS, build_dataset, PIPELINES, CityscapesDataset,PascalVOCDataset, ADE20KDataset, PascalContextDataset,PascalContextDataset59, ChaseDB1Dataset, DRIVEDataset, HRFDataset,STAREDataset,MRDDataset
]\qquad需要改两个地方①import的时候要把自己的Dataset加载进来②__all__数组里面需要加入自己的Dataset类名称修改完成之后保存。这两部操作完成之后还不行由于训练的时候需要txt文件指示训练集、验证集和测试集的txt文件一开始我以为这只是一个optional option但无奈Custom Dataset的__init___下面给我来了一句assert osp.exists(self.img_dir) and self.split is not None那好吧不知道删了and后面的条件会有什么后果还是自己创一个吧写来一个简单的划分数据集并保存到txt的demo大家可以把这个py文件放到你的数据集上一级目录上并对着稍微改改
import mmcv
import os.path as osp
data_root /data3/datasets/Custom/Lab/Segmentation/
ann_dir ann_png1
split_dir splits
mmcv.mkdir_or_exist(osp.join(data_root, split_dir))
filename_list [osp.splitext(filename)[0] for filename in mmcv.scandir(osp.join(data_root, ann_dir), suffix.png)]
with open(osp.join(data_root, split_dir, train.txt), w) as f:# select first 4/5 as train settrain_length int(len(filename_list)*4/5)f.writelines(line \n for line in filename_list[:train_length])
with open(osp.join(data_root, split_dir, val.txt), w) as f:# select last 1/5 as train setf.writelines(line \n for line in filename_list[train_length:])data_root写自己的工作目录名称ann_dir写标签图片所在的目录split_dir则是在data_root下生成split txt文件保存的文件夹目录其他的就不需要怎么改了。如果你在data_root/split_dir/下成功找到了train.txt和val.txt文件就没有问题了。
1.2.2.Dataset Config文件配置
\qquadDataset Config文件在 configs/__base__/ 目录下需要自己新建一个xxx.py文件。 还是以我自己的Custom Dataset为例它的书写格式如下
# dataset settings
dataset_type MRDDataset
data_root /data3/datasets/Custom/Lab/Segmentation/
img_norm_cfg dict(mean[123.675, 116.28, 103.53], std[58.395, 57.12, 57.375], to_rgbTrue)
crop_size (640, 480)
train_pipeline [dict(typeLoadImageFromFile),dict(typeLoadAnnotations),dict(typeResize, img_scale(640, 480), keep_ratioTrue),dict(typeRandomCrop, crop_sizecrop_size, cat_max_ratio0.75),dict(typeRandomFlip, prob0.5),dict(typePhotoMetricDistortion),dict(typeNormalize, **img_norm_cfg),dict(typePad, sizecrop_size, pad_val0, seg_pad_val255),dict(typeDefaultFormatBundle),dict(typeCollect, keys[img, gt_semantic_seg]),
]
test_pipeline [dict(typeLoadImageFromFile),dict(typeMultiScaleFlipAug,img_scale(640, 480),# img_ratios[0.5, 0.75, 1.0, 1.25, 1.5, 1.75],flipFalse,transforms[dict(typeResize, keep_ratioTrue),dict(typeRandomFlip),dict(typeNormalize, **img_norm_cfg),dict(typeImageToTensor, keys[img]),dict(typeCollect, keys[img]),])
]
data dict(samples_per_gpu2,workers_per_gpu2,traindict(typedataset_type,data_rootdata_root,img_dirdata1_for_ann,ann_dirann_png1/,pipelinetrain_pipeline,splitsplits/train.txt),valdict(typedataset_type,data_rootdata_root,img_dirdata1_for_ann,ann_dirann_png1,splitsplits/val.txt,pipelinetest_pipeline),testdict(typedataset_type,data_rootdata_root,img_dirdata1_for_ann,ann_dirann_png1,splitsplits/val.txt,pipelinetest_pipeline))
需要改的地方有以下几个
img_norm_cfg数据集的方差和均值crop_size数据增强时裁剪的大小. img_dirimg_scale原图像尺寸data_root工作目录img_dir工作目录下存图片的目录ann_dir工作目录下存标签的目录split之前操作做txt文件的目录sample_per_gpubatch sizeworkers_per_gpudataloader的线程数目一般设248根据CPU核数确定,或使用os.cpu_count()函数代替PhotoMetricDistortion是数据增强操作有四个参数参考博客分别是亮度、对比度、饱和度和色调它们的默认设定如下
brightness_delta32; # 32
contrast_range(0.5, 1.5); # (0.5, 1.5)下限-上限
saturation_range(0.5, 1.5); # (0.5, 1.5)下限-上限
hue_delta18; # 18如果不想使用默认设定仿照其他选项将自定义参数写在后面即可例如
dict(typePhotoMetricDistortioncontrast_range(0.5, 1.0))改好之后保存 configs/__base__/ 目录下。 \qquad这里也给大家提供了计算数据集方差和均值的一个样例程序多数据集计算整体均值和标准差
# -*- coding: utf-8 -*-Created on Fri Jun 25 10:38:17 2021author: 17478import os
import cv2
import numpy as np
from tqdm import tqdm # pip install tqdm
import argparsedef input_args():parser argparse.ArgumentParser(descriptioncalculating mean and std)parser.add_argument(--data_fmt,typestr,defaultsamples_{name})parser.add_argument(--data-name,typestr,nargs,default[morning,noon,afternoon,dusk,snowy])return parser.parse_args()if __name__ __main__:opt input_args()img_files []for name in opt.data_name:img_dir opt.data_fmt.format(namename)files os.listdir(img_dir)img_files.extend([os.path.join(img_dir,file) for file in files])meanRGB np.asarray([0,0,0],dtypenp.float64)varRGB np.asarray([0,0,0],dtypenp.float64)for img_file in tqdm(img_files,desccalculating mean,mininterval0.1):img cv2.imread(img_file,-1)meanRGB[0] np.mean(img[:,:,0])/255.0meanRGB[1] np.mean(img[:,:,1])/255.0meanRGB[2] np.mean(img[:,:,2])/255.0meanRGB meanRGB/len(img_files)for img_file in tqdm(img_files,desccalculating var,mininterval0.1):img cv2.imread(img_file,-1)varRGB[0] np.sqrt(np.mean((img[:,:,0]/255.0-meanRGB[0])**2))varRGB[1] np.sqrt(np.mean((img[:,:,1]/255.0-meanRGB[1])**2))varRGB[2] np.sqrt(np.mean((img[:,:,2]/255.0-meanRGB[2])**2))varRGB varRGB/len(img_files)print(meanRGB:{}.format(meanRGB))print(stdRGB:{}.format(varRGB))1.2.3.Total Config文件配置
\qquadTotal Config文件是train.py直接调用的config文件在X.1.节也有介绍在此只说明如何即可。该文件在 config/xxxmodel/ 的目录下你选用的是哪一个model就选择哪一个目录。 以DANet为例我们书写一个total config文件并保存在configs/danet的文件夹下
_base_ [../_base_/models/danet_r50-d8.py, ../_base_/datasets/my_road_detect.py,../_base_/default_runtime.py, ../_base_/schedules/schedule_20k.py
]
model dict(decode_headdict(num_classes2),auxiliary_headdict(num_classes2))\qquad这个代码就一个__base__的数组第一个元素代表模型路径也就是在1.1.节介绍的模型文件在这个教程里就不带着大家重写模型了第二个元素代表数据集的Dataset config文件详见1.2.2节第三个元素和第四个元素本教程未涉及到按照默认参数写也没有太大问题如果想修改训练的代数以及log和save的频率修改第4元素及响应文件在此就不再赘述了。另外如果你的模型不是19类的因为是原模型是根据cityscapes写的输出通道为19需按照上面修改一下。 \qquad到此为止要恭喜大家代码终于可以试跑了如果你的代码出现Error或者Exception也不要慌从环境配置到流程一一对照一遍调试大项目要有耐心也欢迎大家评论区留言。
2.运行代码
\qquad在项目目录下输入python tools/train.py xxxconfig.py --work-dirxxx即可运行其中xxxconfig.py就是我们刚刚保存的Total config文件记得要把完整路径也加上work-dir其实就是保存log和model的目录如果没有会自己创建。如果发现import mmseg找不到这个包那八成是调试器运行目录不在根目录下造成的要不就配置run的目录要不就直接吧tools/train.py复制到根目录下运行。运行结果差不多是这样 使用gpustat的包查看gpu状态 \qquad虽然我的数据集很小做测试的就50张图片但是gpu利用率仍然接近100%可见其代码优化做的已经相当理想了。我开了NVIDIA的图形加速所以出现了很多其他的利用进程。 \qquad这里有读者会疑问为什么上面不显示epoch因为mmseg默认是iteration-based的所谓iteration即batch的个数若要改成epoch则需要参考docs/config.md进行修改
runner dict(typeEpochBasedRunner,max_epoch200)
checkpoint_config dict(by_epochTrue,interval20) # save checkpoint per 20 epochs以上代码可放在Total config文件中。 3.展示效果图和预测
\qquad最后写了展示预测效果的代码把config_file和checkpoint_file替换成你自己的config文件和pth文件保存模型的即可
from mmseg.apis import inference_segmentor, init_segmentor, show_result_pyplot
from mmseg.core.evaluation import get_palette
config_file configs/danet/danet_r50-d8_360x480_20k_mrd.py
checkpoint_file work_dirs/danet_r50-d8_375x1242_20k_mrd/latest.pth
model init_segmentor(config_file, checkpoint_file, devicecuda:0)
img /data3/datasets/Custom/Lab/Segmentation/data1_for_ann/000000.png
result inference_segmentor(model, img)
show_result_pyplot(model, img, result, [[0,255,0],[255,255,255]])\qquad我上的是白色道路和绿色非道路不是特别好看哈哈但是mask和img的相对位置很容易看出来这个配颜色的话大家还是自己定吧。我这个数据集太少只是给大家做个演示结果肯定是过拟合的。
X.附录
X.1.mmSegmentation框架解释
在mmSegmentation的项目目录下打开Configs/下面的目录 随便打开一个文件就知道了 从文件的名字也可以看出它是模型baselinebackbone、数据集、schedule的组合runtime是default设置就没包含在名称内。 X.2.mmsegmentation使用的预训练backbone
预训练backbone下载链接为 mmcv预训练模型下载地址.json文件复制对应模型的链接即可下载 X.2.mmsegmentation官方帮助文档
可在docs/tutorials中查看
希望本文对您有帮助谢谢阅读
