Efficient Segmentation Networks

Effiziente Segmentierungsnetzwerke

Dieses Projekt zielt darauf ab, eine benutzerfreundliche, modifizierbare Referenzimplementierung für semantische Segmentierungsmodelle in Echtzeit unter Verwendung von Pytorch bereitzustellen.

---

Inhaltsverzeichnis:

• Anforderungen
• Modelle
• Datensatzeinstellung
• Verwendung
• Kontakt

Anforderungen

Pytorch und Torchvision müssen vor dem Ausführen der Skripte installiert werden, Pytorch v1.1 oder höher wird unterstützt.

pip3 install -r requirements.txt

Modelle

Das Projekt unterstützt diese semantischen Segmentierungsmodelle wie folgt:

• ( SQNET ) Beschleunigung der semantischen Segmentierung für autonomes Fahren [Papier]
• ( LinkNet ) Verfeinerung von Encoder -Darstellungen für eine effiziente semantische Segmentierung [Papier]
• ( Segnet ) Eine tiefe Faltungs-Encoder-Decoder-Architektur für die Bildsegmentierung [Papier]
• ( UNET ) Faltungsnetzwerke für die biomedizinische Bildsegmentierung [Papier]
• ( ENET ) Eine tiefe Architektur für neuronale Netzwerke für die semantische Segmentierung in Echtzeit [Papier]
• ( ERFNET ) Effizienter überzeugt für die semantische Echtzeit-Segmentierung [Papier]
• ( Edanet ) Effiziente dichte Module der asymmetrischen Faltung für die Echtzeitsegmentierung [Papier]
• ( ESPNET ) Effiziente räumliche Pyramide erweiterter Konvolutionen für die semantische Segmentierung [Papier]
• ( ESPNETV2 ) Ein leichter, leistungsstarker und allgemeine Zweck Convnet [Papier]
• ( LEDNET ) Ein leichtgewichtiges Encoder-Decoder-Netzwerk für die Semantik-Segmentierung in Echtzeit [Papier]
• ( FSSNET ) Schnelle semantische Segmentierung für die Szenenwahrnehmung [Papier]
• ( ESNET ) Ein effizientes symmetrisches Netzwerk für die semantische Segmentierung in Echtzeit [Papier]
• ( CGGET ) Ein leichtes Kontext-Netzwerk für die semantische Segmentierung [Papier]
• ( Fast-Scnn ) Schnelles semantisches Segmentierungsnetz [Papier]
• ( DABNET ) Tiefenweise asymmetrischer Engpass für die Semantik in Echtzeit [Papier]
• ( ContextNet ) Erforschen von Kontext und Details für die semantische Segmentierung in Echtzeit [Papier]
• ( FPENET ) Feature Pyramid-Codierungsnetzwerk für die semantische Segmentierung in Echtzeit [Papier]
• ...

Verluste

Das Projekt unterstützt diese Verlustfunktionen:

1. Gewichtete Kreuzentropie
2. Gewichtete Kreuzentropie mit Etikett glatt
3. Fokusverlust
4. OHEM CROSS -Entropie
5. Lovaszsoftmax
6. SEGLAND-LISTE
7. ...

Optimierer

Das Projekt unterstützt diese Optimierer:

1. SGD
2. Adam
3. Adamw
4. Radam
5. Radam + Lookahead
6. ...

Aktivierungen

1. Relu
2. Prelu
3. Relu6
4. Schwült
5. Mischung: Eine selbst regulierte nicht-monotonische neuronale Aktivierungsfunktion
6. ...

Lernrate Scheduler

Das Projekt unterstützt diese LR_Schedulers:

1. Poly Zerfall
2. Warmup Poly
3. ...

Normalisierungsmethoden

1. In-Place-aktiviertes Batchnorm
2. Schaltbare Normalisierung
3. Gewichtsstandardisierung
4. ...

Verbesserung der semantischen Lernmethode der semantischen Feature

1. Aufmerksamkeitsfamilie
2. Nas Familie
3. ...

Einige nützliche Werkzeuge

1. Pytorch-Opcounter
2. Flops-Counter.PyTorch
3. NETRON: Visualizer für neuronale Netzwerkmodelle, Online -URL: Netron
4. Falshtorch: Visualisierungs -Toolkit für neuronale Netzwerke in Pytorch!
5. Trickbeutel für die Bildklassifizierung mit Faltungsnetzwerken
6. ...

Datensatz-Festlegung

Dieses Projekt wurde auf die Citycapes und Camvid -Datensätze zugeschnitten. Die Falten Ihres Datensatzes erfüllen die folgenden Strukturen:

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

• Hier können Sie Cityscapes -Datensatz herunterladen. HINWEIS: Bitte laden Sie LeftImg8bit_Trainvaltest.zip (11 GB) und GTFINE_TRAINVALTEST (241MB) herunter.
• Sie können Camvid -Datensatz von hier herunterladen.
• Die Datensatzskripte der Cityscapes zur Inspektion, Vorbereitung und Bewertung können hier herunterladen.

Verwendung

Klonen Sie dieses Repo

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

Derzeit unterstützt der Code Python 3

Fackelabhängigkeiten:

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

Datenabhängigkeiten:

• Cityscapes + Skripte

Laden Sie Cityscapes herunter und führen Sie das Skript createTrainIdLabelImgs.py aus, um Annotationen basierend auf den Trainingsetiketten zu erstellen. Stellen Sie sicher, dass der Ordner Cityscapes heißt

Ausbildung

• Für Stadtlandschaften / Camvid

1. Training im Zugset

 python train.py  --help

2. Training im Zug+Val Set

 python train.py --help

Testen

• Für Stadtlandschaften / Camvid

 python test.py --help

Vorhersage

• Für Stadtlandschaften

 python predict.py --help

Bewertung

• Für Stadtlandschaften

 cd tools
python trainID2labelID.py 

Kontakt

Wenn Sie diese Arbeit nützlich denken, geben Sie mir bitte einen Stern! Und wenn Sie Fehler finden oder Vorschläge haben, kontaktieren Sie mich bitte.

Github: xiaoyufenfei E -Mail: [email protected]

Beziehen Sie sich auf diesen Vertreter

Sie werden ermutigt, die folgenden Arbeiten zu zitieren, wenn diese Arbeit Ihrer Forschung hilft.

@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}
}

Lizenz

Dieses Projekt wird unter der MIT -Lizenz veröffentlicht. Weitere Informationen finden Sie unter Lizenz.