[转载] python实现语义分割_使用Keras实现深度学习中的一些语义分割模型
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了[转载] python实现语义分割_使用Keras实现深度学习中的一些语义分割模型，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含10765字，纯文字阅读大概需要16分钟。
内容图文
Keras-Sematic-Segmentation
使用Keras实现深度学习中的一些语义分割模型。
配置
tensorflow 1.13.1+tensorboard
keras 2.2.4
GTX 2080Ti x 2
Cuda 10.0 + Cudnn7
opencv-python
labelme(标注数据需要用)
目录结构
data 存储输入图像和语义分割标签的文件夹
- data
- dataset_name
- train_image
- train_label
- test_image
- test_label
Models 存储使用keras实现的一些经典分割模型
utils 存储工具代码，如数据预处理，自定义resize方式等
losses 常见的分割损失函数如Dice Loss，Tversky Loss等
metrics 常见的分割评价指标，比如dice分数，f1分数等
tools 模型转换工具，将输出的Keras模型转为caffe模型，再转到NCNN/TensorRT/OpenVINO等推理框架进行部署
data.py 加载1个batch的原始图片和分割标签图片
train.py 模型训练
test.py 模型测试
json_to_dataset.py 批量处理多张图片并一步建好所需目录及相关mask文件
已支持的分割模型
model_name
Base Model
Segmentation Model
Params
FLOPs
Model Size
Available
enet
ENet
Enet
371,558
759,829
1.4Mb
True
fcn8
Vanilla CNN
FCN8
3,609,196
7220708
29.0Mb
True
unet
Vanilla CNN
UNet
7,167,618
14,344,197
57.6Mb
True
attunet
Vanilla CNN
AttUNet
8,913,058
17,841,087
71.7Mb
True
r2unet
Vanilla CNN
R2UNet
17,652,930
51,065,008
141.7Mb
True
r2attunet
Vanilla CNN
R2AttUNet
16,958,530
46,532,640
136.2Mb
True
unet++
Vanilla CNN
NestedUNet
9,171,170
18,353,631
73.7Mb
True
segnet
Vanilla CNN
SegNet
2,941,218
5,888,377
11.9Mb
True
icnet
Vanilla CNN
ICNet
6,740,610
13,524,726
27.6Mb
True
pspnet*
Vanilla CNN
PSPNet
964,226
8,894,120
3.9Mb
True
mobilenet_unet
MobileNet
MobileNetUnet
407,778
825,856
1.9Mb
True
mobilenet_fcn8
MobileNet
MobileNetFCN8
3,432,764
6,880,358
14Mb
False
seunet
SENet
SEUNet
1,964,530
3,932,843
8.2Mb
True
scseunet
SCSENet
scSEUNet
1,959,266
3,923,359
8.1Mb
True
vggunet
VGGNet
VGGUnet
25,884,170
51,789,952
103.8Mb
True
unet_xception_resnetblock
XceptionNet
Unet_Xception_ResNetBlock
38,431,730
88,041,130
154.5Mb
True
deeplab_v2
DeepLab
DeepLabV2
37,799,752
75,574,697
151.3Mb
True
hrnet
HRNet
HRNet
9524168
57,356,440
117.1Mb
True
注：测试数据是基于输入图片大小为224x224的二分类模型。对于标*号的模型，图片大小为模型定义里支持的最小大小。
已支持的损失函数
Name (as argument)
Type
Available
ce
Cross Entropy
Yes
weighted_ce
Weighted Categorical loss
Yes
b_focal
Binary Focal loss
Yes
c_focal
Categorical Focal loss
Yes
dice
Dice loss
Yes
bce_dice
BCE + Dice loss
Yes
ce_dice
CE + Dice loss
Yes
g_dice
Generalized Dice loss
Yes
jaccard
Jaccard loss
Yes
bce_jaccard
BCE + Jaccard loss
Yes
ce_jaccard
CE + Jaccard loss
Yes
tversky
Tversky loss
Yes
f_tversky
Focal Tversky loss
Yes
注：weighted_ce 以及 c_focal 需要指定对应class的权重或者指定class数量。默认值为平分权重的二分类。
已支持的评价指标
Type
Available
iou_score
Yes
jaccard_score
Yes
f1_score
Yes
f2_score
Yes
dice_score
Yes
已支持训练可视化
为了更好的监督训练过程,我们已经提供了训练可视化,对损失函数,iou_score,dice_socoe,f1_score,f2_score等进行了可视化.在训练过程中会在模型保 存的文件夹下生成log文件夹,例如weights/unet/log,然后使用tensorboard --logdir=weights/unet/log,打开得到的网址即可获得可视化结果.
训练
使用下面的命令训练和保存模型，模型保存路径，训练超参数需要灵活设置。
export CUDA_VISIBLE_DEVICES=0,1 # 使用的GPU序号
python train.py ...
可用参数如下：
--exp_name 字符串，代表此次实验的名称，默认exp1。
--dataset_name 字符串，代表选择对应的数据集的名称，默认bbufdataset，支持camvid。
--loss 字符串，代表选择的损失函数的名称，默认ce，全部名称见支持的损失函数。
--n_classes 整型，代表分割图像中有几种类别的像素，默认为2。
--input_height整型，代表要分割的图像需要resize的长，默认为224。
--input_width 整型，代表要分割的图像需要resize的宽，默认为224。
--resize_op 整型，代表resize的方式，如果为1则为普通resize，如果为2，则为letterbox_resize，默认为1。
--validate布尔型，代表训练过程中是否需要验证集，默认为True，即使用验证集。
--epochs整型，代表要训练多少个epoch，默认为50。
--train_batch_size整型，代表训练时批量大小，默认为4。
--val_batch_size整型，代表训练时批量大小，默认为4。
--model_name 字符串类型，代表训练时使用哪个模型，支持enet,unet,segnet,fcn8等多种模型，默认为unet。
--train_save_path字符串类型，代表训练时保存模型的路径，默认为weights/unet，即会将模型保存在weights文件夹下，并且每个模型名字前缀以unet开头，后面接迭代次数和准确率构成完整的保存模型的路径。
--resume字符串类型，代表继续训练的时候加载的模型路径，默认值为``，即从头训练。
--optimizer_name字符串类型，代表训练模型时候的优化方法，支持sgd,adam,adadelta等多种优化方式，默认为adadelta。
--image_init字符串类型，代表输入图片初始化方式，支持sub_mean，sub_and_divide，divide，默认为divide。
--multi_gpus 布尔类型，代表使用是否多卡进行训练，默认为Fasle，如果为True，需将gpu_count参数设置为使用的显卡数量
--gpu_count 整型，当multi_gpus为True时代表使用的GPU数量。需要配合设置相应的环境变量CUDA_VISIBLE_DEVICES。
训练示例
训练本工程提供的二分类数据集：python train.py --dataset_name bbufdataset --model_name unet --input_height 224 --input_width 224 --image_init divide --n_classes 2
训练CamVid数据集：python train.py --dataset_name camvid --model_name unet --input_height 720 --input_width 960 --image_init sub_mean --n_classes 32 --train_batch_size 2 --val_batch_size 2
测试
使用下面的命令测试模型，加载模型的路径，图像输入分辨率等参数需要灵活设置。
python test.py ...
可用参数如下：
--test_images字符串类型，代表测试图所在的文件夹路径，默认为data/test/。
--output_path字符串类型，代表从测试图预测出的mask图输出路径，默认为data/output/。
--model_name 字符串类型，代表测试时使用哪个模型，支持enet,unet,segnet,fcn8等多种模型，默认为unet。
--weights_path字符串类型，代表预测时加载的模型权重，默认为weights/unet.18-0.856895.hdf5，即对应默认模型unet训练出来的模型权重路径。
--input_height整型，代表测试集输入到网络中需要被resize的长，默认为224。
--input_width整型，代表测试集输入到网络中需要被resize的宽，默认为224。
--resize_op 整型，代表resize的方式，如果为1则为普通resize，如果为2，则为letterbox_resize，默认为1。
--classes整型，代表图片中的像素类别数，默认为2。
--mIOU布尔型，代表是否启用评测mIOU，默认为False，一旦启用需要提供带有mask图的测试数据集。
--val_images字符串类型，代表启用mIOU后测试集原图的路径，默认为data/val_image/。
--val_annotations字符串类型，代表启用mIOU后测试集mask图的路径，默认为data/val_label/。
--image_init字符串类型，代表输入图片初始化方式，支持sub_mean，sub_and_divide，divide，默认为divide。
测试示例
测试二分类数据集：python test.py --model_name unet --weights_path weights/unet.xx.hdf5 --classes 2 --image_init divide
测试CamVid数据集：python test.py --model_name unet --weights_path weights/unet.xx.hdf5 --classes 32 --image_init sub_mean --input_height 720 --input_width 960
数据增强
实现中...
数据集
数据集制作使用Labelme即可，然后将得到的json文件使用json_to_dataset.py转换为本工程要用的mask标签图，具体操作步骤为：
使用本工程中的json_to_dataset.py替换掉labelme/cli中的相应文件—json_to_dataset.py 。在cmd中输入python json_to_dateset.py /path/你的json文件夹的路径。注意是把每张图的json文件都放在一个目录下，labelme标注出来的默认是一张图片一个文件夹。
运行后，在json文件夹中会出现mask_png、labelme_json文件夹，mask_png中存放的是所有8位掩码文件！也即是本工程中使用的标签图。
具体来说，我们的标签图就是分别指示每张图片上每一个位置的像素属于几，0是背景，然后你要的类别从1开始往后递增即可。
Model Zoo
已经训练好的Keras模型放在这个工程下，模型按照名字进行对应：
模型部署
首先将Keras模型转为Caffe模型，然后再转为NCNN/OpenVINO/TensorRT模型进行部署，已支持转换OP。
已支持OP
InputLayer
Conv2D/Convolution2D
Conv2DTranspose
DepthwiseConv2D
SeparableConv2D
BatchNormalization
Dense
ReLU
ReLU6
LeakyReLU
SoftMax
SigMoid
Cropping2D
Concatenate
Merge
Add
Flatten
Reshape
MaxPooling2D
AveragePooling2D
Dropout
GlobalAveragePooling2D
UpSampling2D
...
已支持网络
VGG16
SqueezeNet
InceptionV3
InceptionV4
Xception V1
UNet
...
标准
个人制作2个类别小零件数据集分割结果
Resolution
ResizeOp
Epoch
model_name
Base Model
Segmentation Model
Acc
iou_score
dice_score
f1_score
f2_score
224x224
1
50
enet
ENet
Enet
224x224
1
50
fcn8
Vanilla CNN
FCN8
224x224
1
50
unet
Vanilla CNN
UNet
224x224
1
50
attunet
Vanilla CNN
AttUNet
224x224
1
50
r2unet
Vanilla CNN
R2UNet
224x224
1
50
r2attunet
Vanilla CNN
R2AttUNet
224x224
1
50
unet++
Vanilla CNN
NestedUNet
224x224
1
50
segnet
Vanilla CNN
SegNet
224x224
1
50
icnet
Vanilla CNN
ICNet
384x384
1
50
pspnet
Vanilla CNN
PSPNet
224x224
1
50
mobilenet_unet
MobileNet
MobileNetUnet
224x224
1
50
mobilenet_fcn8
MobileNet
MobileNetFCN8
224x224
1
50
seunet
SENet
SEUNet
224x224
1
50
scseunet
SCSENet
scSEUNet
224x224
1
50
vggunet
VGGNet
VGGUnet
224x224
1
50
unet_xception_resnetblock
XceptionNet
Unet_Xception_ResNetBlock
320x320
1
50
deeplab_v2
DeepLab
DeepLabV2
224x224
1
50
hrnet
HRNet
HRNet
CamVid分割数据集分割结果
Resolution
ResizeOp
Epoch
model_name
Base Model
Segmentation Model
Acc
iou_score
dice_score
f1_score
f2_score
960x704
1
50
enet
ENet
Enet
960x704
1
50
fcn8
Vanilla CNN
FCN8
960x720
1
50
unet
Vanilla CNN
UNet
1
50
attunet
Vanilla CNN
AttUNet
1
50
r2unet
Vanilla CNN
R2UNet
1
50
r2attunet
Vanilla CNN
R2AttUNet
1
50
unet++
Vanilla CNN
NestedUNet
1
50
segnet
Vanilla CNN
SegNet
1
50
icnet
Vanilla CNN
ICNet
1
50
pspnet
Vanilla CNN
PSPNet
1
50
mobilenet_unet
MobileNet
MobileNetUnet
1
50
mobilenet_fcn8
MobileNet
MobileNetFCN8
1
50
seunet
SENet
SEUNet
1
50
scseunet
SCSENet
scSEUNet
1
50
vggunet
VGGNet
VGGUnet
1
50
unet_xception_resnetblock
XceptionNet
Unet_Xception_ResNetBlock
1
50
deeplab_v2
DeepLab
DeepLabV2
1
50
hrnet
HRNet
HRNet
眼球血管分割数据集
全部基于UNet进行测试，这个数据集是为了测试工程中支持的各种损失函数的效果。以下指标在测试集上报告。
Resolution
ResizeOp
Epoch
Loss Name
Acc
iou_score
dice_score
f1_score
f2_score
224x224
1
50
ce
0.9238
0.7817
0.8770
0.8770
0.8770
1
50
weighted_ce
0.9194
0.8329
0.9088
0.9088
0.9088
1
50
b_focal
0.9106
0.6103
0.7579
0.7579
0.7579
1
50
c_focal
0.9194
0.8301
0.9071
0.9071
0.9071
1
50
dice
0.9198
0.7429
0.8523
0.8523
0.8523
1
50
bce_dice
0.9307
0.7628
0.8653
0.8653
0.8653
1
50
ce_dice
1
50
g_dice
1
50
jaccard
1
50
bce_jaccard
1
50
ce_jaccard
1
50
tversky
1
50
f_tversky
个人制作2个类别小零件数据集分割可视化结果
Input Image
Output Segmentation Image
CamVid数据集分割可视化结果
Input Image
Output Segmentation Image
眼球病变数据集分割可视化结果
Input Image
Output Segmentation Image
参考
微信公众号&交流群
QQ群号 1030186545
加群密码 qqq
内容总结
以上是互联网集市为您收集整理的[转载] python实现语义分割_使用Keras实现深度学习中的一些语义分割模型全部内容，希望文章能够帮你解决[转载] python实现语义分割_使用Keras实现深度学习中的一些语义分割模型所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。