Press "Enter" to skip to content

语义分割 FCN-DenseNet 应用入门

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

语义分割 FCN-DenseNet 应用入门

 

1. 简介

 

在计算机视觉领域,语义分割指的是将数字图像细分为多个图像子区域的过程

 

语义分割的目的是简化或改变图像的表示形式,使得图像更容易理解和分析

 

语义分割通常用于定位图像中的物体和边界(线,曲线等)

 

更精确的,语义分割是对图像中的每个像素加标签的一个过程,

 

这一过程使得具有相同标签的像素具有某种共同视觉特性

 

语义分割的领域非常多,无人车、地块检测、表计识别等等

 

2. 源码

 

根据GitHub上开源的代码 Sharpiless FCN-DenseNet 进行一些更改:

 

 

    1. 调整数据集分布

 

    1. 新增训练和检验过程可视化

 

    1. 新增数据集处理工具

 

    1. 新增预训练模型

 

    1. 新增少许自定义参数等

 

 

可以通过以下渠道下载:

GitHub:FCN-DenseNet
CSDN:FCN-DenseNet
Gitee:FCN-DenseNet

3. 数据集

 

3.1 开源数据集

 

本案例使用飞桨里的一个例子的 Oxford-IIIT Pet数据集

 

里面包含了宠物照片和对应的标签数据

宠物图片在
/images
标签数据在
/annotations/trimaps

具体详情参考 飞桨官方文档说明

 

这边标签是灰度图,还需要在处理一下,利用 tool_img2mask.py 根据实际情况将所有标签图片转换为所需的格式

 

左边为原图标签,宠物为1,背景为2,边缘为3,这里处理后只保留宠物特征

 

然后通过 tool_img2data.py 将原图和标签打乱并按比例分配到新的地址成为训练集和测试集

原图训练集:
/resources/images/data/train/img
标签训练集:
/resources/images/data/train/mask
原图测试集:
/resources/images/data/test/img

标签测试集: /resources/images/data/test/mask

 

 

3.2 自定义数据集

 

3.2.1 建立数据集文件夹

 

在工程中新建文件夹 /resources/images/data_json ,将所有数据原图均放置于此

 

这里以Oxford-IIIT Pet数据集的第一张图片为例

 

3.2.2 标注

 

使用 开源的数据标注工具 Labelme

 

安装也比较简单,版本不要太高了,后面用的时候会有问题:

 

$ pip3 install labelme==3.16.2

 

/resources/images/data_json 启动 Labelme

 

$ labelme

 

保存为 json 格式,并在同一地址,后续方便转换处理

 

 

3.2.3 转化

 

此时再通过 tool_json2dataset.py 转化所有文件并生成原图和标签图片

 

此时所有可以利用的数据均在 /resources/images/dataset 文件夹中

 

然后同样通过 tool_dataset2data.py 将 dataset 中的原图和标签打乱并按比例分配到新的地址成为训练集和测试集

原图训练集:
/resources/images/data/train/img
标签训练集:
/resources/images/data/train/mask
原图测试集:
/resources/images/data/test/img

标签测试集: /resources/images/data/test/mask

 

4. 训练

 

为了有足够强大的数据,这里使用处理过的Oxford-IIIT Pet数据集

 

根据自己电脑硬件合理调整参数进行训练,执行 train.py 文件

 

默认每5次迭代验证并保存最优的模型于 parameters_densenet121 文件夹

 

parser.add_argument('--svae_interval', type=int, default=5)  # svae interval

 

5. 验证

 

执行 test.py 文件

 

可以在 resources/images/data/test 看到分割的效果图:

 

抽取mask里的图片出来对比效果:

 

还是可以的

 

谢谢

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。