Efficient Segmentation Networks

شبكات الشبكات الفعالة

يهدف هذا المشروع إلى توفير تطبيق مرجعي سهل الاستخدام وقابل للتعديل لنماذج التجزئة الدلالية في الوقت الفعلي باستخدام Pytorch.

---

جدول المحتويات:

• متطلبات
• النماذج
• إعداد مجموعة البيانات
• الاستخدام
• اتصال

متطلبات

يجب تثبيت Pytorch و TorchVision قبل تشغيل البرامج النصية ، يتم دعم Pytorch v1.1 أو الأحدث.

pip3 install -r requirements.txt

النماذج

يدعم المشروع نماذج التجزئة الدلالية هذه على النحو التالي:

• ( SQNET ) تسريع تجزئة الدلالية للقيادة المستقلة [ورقة]
• ( LinkNet ) استغلال تمثيلات التشفير للتجزئة الدلالية الفعالة [ورقة]
• ( Segnet ) بنية ترفيهية ترفيهية عميقة لتجزئة الصور [ورقة]
• ( UNET ) الشبكات التلافيفية لتجزئة الصور الطبية الحيوية [ورقة]
• ( enet ) بنية الشبكة العصبية العميقة للتجزئة الدلالية في الوقت الفعلي [ورقة]
• ( erfnet ) كفاءة مقنعة للتجزئة الدلالية في الوقت الحقيقي [ورقة]
• ( Edanet ) وحدات كثيفة فعالة من الالتفاف غير المتماثل للتجزئة في الوقت الحقيقي [ورقة]
• ( ESPNET ) هرم مكاني فعال من الملاحقات المتوسعة للتجزئة الدلالية [ورقة]
• ( ESPNETV2 ) غرض خفيف الوزن ، وفعال الطاقة ، والأغراض العامة [ورقة]
• ( LEDNET ) شبكة ترميز تشفير خفيفة الوزن للتجزئة الدلالية في الوقت الفعلي [ورقة]
• ( FSSNET ) تجزئة دلالية سريعة لتصور المشهد [ورقة]
• ( ESNET ) شبكة متماثلة فعالة للتجزئة الدلالية في الوقت الفعلي [ورقة]
• ( CGNET ) شبكة موجهة للوزن الخفيف للتجزئة الدلالية [ورقة]
• ( FAST-SCNN ) شبكة تجزئة دلالية سريعة [ورقة]
• ( Dabnet ) عنق الزجاجة غير المتماثل للعمق للتجزئة الدلالية في الوقت الفعلي [ورقة]
• ( ContextNet ) استكشاف السياق والتفاصيل للتجزئة الدلالية في الوقت الفعلي [ورقة]
• ( FPENET ) ميزات ترميز الهرم للهرم للتجزئة الدلالية في الوقت الحقيقي [ورقة]
• ...

خسائر

يدعم المشروع وظائف الخسارة هذه:

1. انتروبيا المتقاطع المرجحة
2. إنتروبيا متقاطعة مرجحة مع الملصق السلس
3. فقدان البؤرة
4. Ohem Cross Entropy
5. lovaszsoftmax
6. قائمة Segloss
7. ...

محسنات

يدعم المشروع هذه المُحسّنات:

1. SGD
2. آدم
3. آدمو
4. رادام
5. Radam + Lookahead
6. ...

التنشيط

1. RELU
2. بريلو
3. RELU6
4. حفيف
5. Mish: وظيفة تنشيط عصبية غير متناظرة ذاتية
6. ...

جدولة معدل التعلم

يدعم المشروع هؤلاء lr_schedulers:

1. بولي تحلل
2. الاحماء بولي
3. ...

طرق التطبيع

1. في مكان تنشيط دفعة
2. التطبيع القابل للتبديل
3. توحيد الوزن
4. ...

تعزيز طريقة تعلم الميزة الدلالية

1. عائلة الانتباه
2. عائلة ناس
3. ...

بعض الأدوات المفيدة

1. Pytorch-opcounter
2. flops-counter.pytorch
3. Netron: Visualizer لنماذج الشبكات العصبية ، عنوان URL على الخط: Netron
4. Falshtorch: مجموعة أدوات التصور للشبكات العصبية في Pytorch!
5. حقيبة من الحيل لتصنيف الصور مع الشبكات العصبية التلافيفية
6. ...

وضع مجموعة البيانات

تم تصميم هذا المشروع لتناسب مناظر المدينة ومجموعات بيانات camvid. تحتاج طيات مجموعة البيانات الخاصة بك إلى إرضاء الهياكل التالية:

 |-- dataset
|  |-- camvid
|  |  |-- train
|  |  |-- trainannot
|  |  |-- val
|  |  |-- valannot
|  |  |-- test
|  |  |-- testannot
|  |  |-- ...
|  |-- cityscapes
|  |  |-- leftImg8bit
|  |  |  |-- train
|  |  |  |-- val
|  |  |  |-- test
|  |  |-- gtFine
|  |  |  |-- train
|  |  |  |-- val
|  |  |  |-- test
|  |  |-- ...

• يمكنك تنزيل مجموعة بيانات CityScapes من هنا. ملاحظة: يرجى تنزيل LeftImg8bit_trainvaltest.zip (11 جيجا بايت) و Gtfine_Trainvaltest (241 ميجابايت).
• يمكنك تنزيل مجموعة بيانات camvid من هنا.
• يمكن تنزيل البرامج النصية لمجموعة بيانات CityScapes للتفتيش والإعداد والتقييم من هنا.

الاستخدام

استنساخ هذا الريبو

 git clone https://github.com/xiaoyufenfei/Efficient-Segmentation-Networks
cd Efficient-Segmentation-Networks

حاليًا ، يدعم الرمز بيثون 3

تبعيات الشعلة:

• Pytorch (> = 1.1.0)
• TorchVision (> = 0.3.0)

تبعيات البيانات:

• مناظر المدينة + البرامج النصية

قم بتنزيل CityScapes وقم بتشغيل Script createTrainIdLabelImgs.py لإنشاء تعليقات توضيحية بناءً على ملصقات التدريب. تأكد من أن المجلد يدعى City Cscapes

تمرين

• لمناظر المدينة / camvid

1. التدريب على مجموعة القطار

 python train.py  --help

2. تدريب على قطار+فال

 python train.py --help

الاختبار

• لمناظر المدينة / camvid

 python test.py --help

التنبؤ

• لمناظر المدينة

 python predict.py --help

التقييم

• لمناظر المدينة

 cd tools
python trainID2labelID.py 

اتصال

إذا كنت تعتقد أن هذا العمل مفيد ، فالرجاء إعطائي نجمًا! وإذا وجدت أي أخطاء أو لديك أي اقتراحات ، فيرجى الاتصال بي.

Github: xiaoyufenfei البريد الإلكتروني: [email protected]

الرجوع إلى هذا مندوب

نشجعك على الاستشهاد بالأوراق التالية إذا كان هذا العمل يساعد بحثك.

@misc{Efficient-Segmentation-Networks,
  author = {Yu Wang},
  title = {Efficient-Segmentation-Networks Pytorch Implementation},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = { u rl{https://github.com/xiaoyufenfei/Efficient-Segmentation-Networks}},
  commit = {master}
}

رخصة

يتم إصدار هذا المشروع تحت رخصة معهد ماساتشوستس للتكنولوجيا. انظر الترخيص للحصول على تفاصيل إضافية.