Skip to content

Latest commit

 

History

History
219 lines (180 loc) · 8.81 KB

README_zh-CN.md

File metadata and controls

219 lines (180 loc) · 8.81 KB

wwh的说明

目前完成了FCN,deeplabv3(v3_plus显存不够，batch_size得调成1或者是2就是随机梯度下降了),和PSPnet，目前来看pspnet可能效果更好一些，前面两者训练60轮，pspnet训练了120轮，目前pspnet比较好。

训练和调用都可以查看底下的readme。

在训练和调用中可能遇到的问题：在原github链接的issues中都很容易找到。直接对着查就可以。

可能的问题1：运行时出现local_rank的问题，issues里面有解决方案。

可能的问题2：模型找不到，.torch文件夹直接放到windows的根目录下，e.g:C:\Users\Wu Kevin.torch\models

有条件的可以训练一些其他的模型（下面有很多），可以看看哪个效果好，建议训练不低于100轮。

下一步：

1.提高正确度，三个模型的pixacc都比较高（90+），但是miou都比较低，（60~70+）

2.用gradio随便做一个local_host出来算了，不搞网站了。

中文说明

English | 简体中文

python-image pytorch-image lic-image

该项目旨在提供一个基于PyTorch的简洁、易用且可扩展的语义分割工具箱。

主分支代码目前支持 PyTorch 1.1.0 以上的版本

安装

# semantic-segmentation-pytorch dependencies
pip install ninja tqdm

# follow PyTorch installation in https://pytorch.org/get-started/locally/
conda install pytorch torchvision -c pytorch

# install PyTorch Segmentation
git clone https://github.com/Tramac/awesome-semantic-segmentation-pytorch.git

使用方式

训练

  • 单卡训练
# for example, train fcn32_vgg16_pascal_voc:
python train.py --model fcn32s --backbone vgg16 --dataset pascal_voc --lr 0.0001 --epochs 50
  • 分布式训练
# for example, train fcn32_vgg16_pascal_voc with 4 GPUs:
export NGPUS=4
python -m torch.distributed.launch --nproc_per_node=$NGPUS train.py --model fcn32s --backbone vgg16 --dataset pascal_voc --lr 0.0001 --epochs 50

测试

  • 单卡测试
# for example, evaluate fcn32_vgg16_pascal_voc
python eval.py --model fcn32s --backbone vgg16 --dataset pascal_voc
  • 多卡测试
# for example, evaluate fcn32_vgg16_pascal_voc with 4 GPUs:
export NGPUS=4
python -m torch.distributed.launch --nproc_per_node=$NGPUS eval.py --model fcn32s --backbone vgg16 --dataset pascal_voc

Demo

cd ./scripts
#for new users:
python demo.py --model fcn32s_vgg16_voc --input-pic ../tests/test_img.jpg
#you should add 'test.jpg' by yourself
python demo.py --model fcn32s_vgg16_voc --input-pic ../datasets/test.jpg

模型库

Model与Backbone的支持详情可见这里。

.{SEG_ROOT}
├── core
│   ├── models
│   │   ├── bisenet.py
│   │   ├── danet.py
│   │   ├── deeplabv3.py
│   │   ├── deeplabv3+.py
│   │   ├── denseaspp.py
│   │   ├── dunet.py
│   │   ├── encnet.py
│   │   ├── fcn.py
│   │   ├── pspnet.py
│   │   ├── icnet.py
│   │   ├── enet.py
│   │   ├── ocnet.py
│   │   ├── psanet.py
│   │   ├── cgnet.py
│   │   ├── espnet.py
│   │   ├── lednet.py
│   │   ├── dfanet.py
│   │   ├── ......

数据集

可以选择以下方式下载指定数据集，比如：

cd ./core/data/downloader
python ade20k.py --download-dir ../datasets/ade
Dataset training set validation set testing set
VOC2012 1464 1449 ✘
VOCAug 11355 2857 ✘
ADK20K 20210 2000 ✘
Cityscapes 2975 500 ✘
COCO
SBU-shadow 4085 638 ✘
LIP(Look into Person) 30462 10000 10000 
.{SEG_ROOT}
├── core
│   ├── data
│   │   ├── dataloader
│   │   │   ├── ade.py
│   │   │   ├── cityscapes.py
│   │   │   ├── mscoco.py
│   │   │   ├── pascal_aug.py
│   │   │   ├── pascal_voc.py
│   │   │   ├── sbu_shadow.py
│   │   └── downloader
│   │       ├── ade20k.py
│   │       ├── cityscapes.py
│   │       ├── mscoco.py
│   │       ├── pascal_voc.py
│   │       └── sbu_shadow.py

部分结果

Methods Backbone TrainSet EvalSet crops_size epochs JPU Mean IoU pixAcc
FCN32s vgg16 train val 480 60 ✘ 47.50 85.39
FCN16s vgg16 train val 480 60 ✘ 49.16 85.98
FCN8s vgg16 train val 480 60 ✘ 48.87 85.02
FCN32s resnet50 train val 480 50 ✘ 54.60 88.57
PSPNet resnet50 train val 480 60 ✘ 63.44 89.78
DeepLabv3 resnet50 train val 480 60 ✘ 60.15 88.36

lr=1e-4, batch_size=4, epochs=80. 注意: 以上结果均基于train.py中的默认参数所得，更优的效果请参照paper中具体参数。

版本

  • v0.1.0：相较于master分支，该版本包含了ccnet与psanet，需要依赖编译产出自定义层，如有需要按照分支说明操作即可。

To Do

  • add train script
  • remove syncbn
  • train & evaluate
  • test distributed training
  • fix syncbn (Why SyncBN?)
  • add distributed (How DIST?)

参考

WeChat&QQ

由于很多小伙伴通过知乎私信寻求一些帮助，同时也不忍心忽略到大家的问题，下面分别提供了针对该项目的微信&QQ群，希望可以帮助到有需要的同学～