python图像字符分割,python的分割函数

  python图像字符分割,python的分割函数

  语义图像分割

  班级愿景(PaddleCV)

  虚拟现实和增强现实无人机通过使用自动驾驶室内导航的医学图像来诊断可穿戴设备

  模型概述

  ICNet主要用于图像的实时语义分割,可以兼顾速度和精度。IC的主要思想是将输入的图像变换成不同的分辨率,然后利用不同计算复杂度的子网络对不同分辨率的输入进行计算,再将结果进行组合。

  模型描述

  # ICNet模型使用教程

  本教程的目的是介绍如何使用PaddleSeg提供的***`ICNet`***预训练模型对自定义数据集进行训练、评估和可视化。

  *在阅读本教程之前,请确保您已经了解了章节[快速入门](./README.md#快速入门)和[基本功能](./README.md#基本功能),从而对PaddleSeg有一定的了解。

  *本教程的所有命令都是基于PaddleSeg主目录执行的。

  *注意***`ICNet`***不支持cpu环境下的培训和评估。

  # # 1.准备要训练的数据

  我们预先准备了一个眼底医学分割数据集,包括267张训练图片、76张验证图片和38张测试图片。通过以下命令下载:

  ``贝壳

  python dataset/download _ optic . py

  ```

  # #二。下载预培训模型

  然后下载相应的预训练模型。

  ``贝壳

  python pre trained _ model/download _ model . py icnet _ bn _ city scapes

  ```

  现有ICNet预训练模型列表见【模型组合】(#模型组合)。如果需要使用其他预训练模型,下载模型,替换主干、NORM_TYPE等。在配置上。

  # #三。正在准备配置

  然后我们需要确定相关的配置。从本教程的角度来看,配置分为三个部分:

  *数据集

  *训练集主目录

  *训练集文件列表

  *测试集文件列表

  *评估集文件列表

  *预培训模型

  *预培训模型的名称

  *骨干网络预培训模式

  *标准化类型的预训练模型

  *预培训模型路径

  *优化策略

  *学习率

  *批量大小

  * .

  这三者中,前期训练模式的配置尤为重要。如果模型或主干配置不正确,将无法加载预训练参数,从而影响收敛速度。与预训练模型相关的配置如第二步所示。

  数据集的配置与数据路径有关。在本教程中,数据存储在“dataset/optical _ disc _ seg”中。

  其他配置根据数据集和机器环境进行调整。最后,我们保存一个包含以下内容的yaml配置文件,存储路径是* * configs/icnet _ optical.yaml * *

  ` ` yaml

  #数据集配置

  数据集:

  数据目录:。/dataset/optic_disc_seg/

  数量_类别:2

  测试文件列表:。/dataset/optic _ disc _ seg/test _ list . txt

  培训文件列表:。/dataset/optic _ disc _ seg/train _ list . txt

  VAL_FILE_LIST:。/dataset/optic _ disc _ seg/val _ list . txt

  VIS_FILE_LIST:。/dataset/optic _ disc _ seg/test _ list . txt

  #预培训模型配置

  型号:

  型号名称:“icnet”

  DEFAULT_NORM_TYPE: bn

  MULTI_LOSS_WEIGHT: [1.0,0.4,0.16]

  ICNET:

  深度乘数:0.5

  #其他配置

  训练_裁剪_尺寸:(512,512)

  EVAL _作物_大小:(512,512)

  八月:

  AUG_METHOD:“取消添加”

  FIX_RESIZE_SIZE: (512,512)

  批量大小:4

  火车:

  预训练模型目录:。/pre trained _ model/icnet _ bn _ cityscapes/

  模型保存目录:。/saved_model/icnet_optic/

  快照_纪元:5

  测试:

  测试模型:。/saved_model/icnet_optic/final

  求解器:

  次数:10

  LR: 0.001

  LR_POLICY: poly

  优化器:“亚当”

  ```

  # #四。配置/数据验证

  在开始训练和评估之前,我们还需要检查配置和数据,以确保数据和配置是正确的。使用以下命令启动验证过程

  ``贝壳

  python pdseg/check.py - cfg。/configs/icnet_optic.yaml

  ```

  # # 5.开始训练

  验证后,使用以下命令开始培训

  ``贝壳

  #指定GPU卡号(以卡号0为例)

  导出CUDA_VISIBLE_DEVICES=0

  #培训

  python PD seg/train . py-use _ GPU-CFG。/configs/icnet_optic.yaml

  ```

  # #六。进行评估

  模型训练完成后,使用以下命令开始评估

  ``贝壳

  python PD seg/eval . py-use _ GPU-CFG。/configs/icnet_optic.yaml

  ```

  # #七。设想

  使用以下命令启动预测和可视化

  ``贝壳

  python pdseg/vis.py - use_gpu - cfg ./configs/icnet_optic.yaml

  ```

  预测结果将保存在视觉的目录下,以下展示其中一张图片的预测效果:

  ## 模型组合

  预训练模型名称主干数据集配置

  ----

   icnet _ bn _ city scapes resnet 50 city scapes MODEL .型号名称:icnet

  模型。默认_定额_类型:bn

  模型。多重损失重量:[1.0,0.4,0.16]

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: