awesome semantic segmentation pytorch

Semantische Segmentierung auf Pytorch

Englisch | 简体中文

Dieses Projekt zielt darauf ab, eine prägnante, benutzerfreundliche und veränderbare Referenzimplementierung für semantische Segmentierungsmodelle mithilfe von Pytorch bereitzustellen.

Installation

 # 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

Verwendung

Zug

---

• Single GPU -Training

 # for example, train fcn32_vgg16_pascal_voc:
python train.py --model fcn32s --backbone vgg16 --dataset pascal_voc --lr 0.0001 --epochs 50

• Multi-GPU-Training

 # 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

Auswertung

---

• Single GPU -Bewertung

 # for example, evaluate fcn32_vgg16_pascal_voc
python eval.py --model fcn32s --backbone vgg16 --dataset pascal_voc

• Multi-GPU-Bewertung

 # 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

 .{SEG_ROOT}
├── scripts
│   ├── demo.py
│   ├── eval.py
│   └── train.py

Unterstützung

Modell

• Fcn
• Enet
• PSPNET
• ICnet
• Deeptlabv3
• Deeptlabv3+
• Denseaspp
• Encnet
• Bisenet
• Psanet
• Danet
• OCNET
• CGGET
• ESPNETV2
• Dunet (DuPsampling)
• FASTFCN (JPU)
• Lednet
• Schnell-Scnn
• Lightseg
• Dfanet

Details für Modell & Backbone.

 .{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
│   │   ├── ......

Datensatz

Sie können das Skript ausführen, um den Datensatz herunterzuladen, z. B.:

 cd ./core/data/downloader
python ade20k.py --download-dir ../datasets/ade

Datensatz	Trainingset	Validierungssatz	Testset
VOC2012	1464	1449	✘
Vocaug	11355	2857	✘
ADK20K	20210	2000	✘
Stadtlandschaften	2975	500	✘
Coco
Sbu-shadow	4085	638	✘
Lippe (schauen Sie sich an eine 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

Ergebnis

• Pascal VOC 2012

Methoden	Rückgrat	Training	Evalset	Pflanzen_Size	Epochen	JPU	Mean iou	pixacc
Fcn32s	VGG16	Zug	val	480	60	✘	47,50	85.39
Fcn16s	VGG16	Zug	val	480	60	✘	49.16	85,98
Fcn8s	VGG16	Zug	val	480	60	✘	48,87	85.02
Fcn32s	resnet50	Zug	val	480	50	✘	54,60	88,57
PSPNET	resnet50	Zug	val	480	60	✘	63.44	89.78
Deeptlabv3	resnet50	Zug	val	480	60	✘	60.15	88.36

HINWEIS: lr=1e-4, batch_size=4, epochs=80 .

Überanpassungstest

Weitere Informationen finden Sie in Test.

 .{SEG_ROOT}
├── tests
│   └── test_model.py

Zu tun

• Zugskript hinzufügen
• Syncbn entfernen
• trainieren und bewerten
• Testverteilter Training
• Fix Syncbn (warum syncbn?)
• Fügen Sie verteilt hinzu (wie dist?)

Referenzen

• Pytorch-Coding
• Maskrcnn-Benchmark
• GLOUN-CV
• Bildnische