awesome semantic segmentation pytorch

Segmentación semántica en Pytorch

Inglés | 简体中文

Este proyecto tiene como objetivo proporcionar una implementación de referencia concisa, fácil de usar y modificable para modelos de segmentación semántica utilizando Pytorch.

Instalación

 # 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

Uso

Tren

---

• Entrenamiento de una sola GPU

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

• Entrenamiento multi-GPU

 # 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

Evaluación

---

• Evaluación de una sola GPU

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

• Evaluación multi-GPU

 # 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

Manifestación

 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

Apoyo

Modelo

• FCN
• Enet
• PSPNET
• ICNET
• DeepLabv3
• DeepLabv3+
• Denseuspp
• Encret
• Bisenet
• Psané
• Daneta
• Ocnet
• CGNET
• ESPNETV2
• Dunet (Dupsampling)
• Fastfcn (JPU)
• LEDNET
• Scnn
• Luminoso
• Dfanet

Detalles para el modelo y la columna vertebral.

 .{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
│   │   ├── ......

Conjunto de datos

Puede ejecutar Script para descargar DataSet, como:

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

Conjunto de datos	set de entrenamiento	conjunto de validación	conjunto de pruebas
VOC2012	1464	1449	✘
Vocaugal	11355	2857	✘
ADK20K	20210	2000	✘
Paisajes urbanos	2975	500	✘
PALMA DE COCO
Sbu-shadow	4085	638	✘
Labio (mira a la persona)	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

Resultado

• Pascal Voc 2012

Métodos	Columna vertebral	Conjunto de trenes	Evalor	CROPS_SIZE	épocas	Jpu	Significa iou	pixacc
FCN32S	VGG16	tren	Val	480	60	✘	47.50	85.39
FCN16S	VGG16	tren	Val	480	60	✘	49.16	85.98
FCN8S	VGG16	tren	Val	480	60	✘	48.87	85.02
FCN32S	resnet50	tren	Val	480	50	✘	54.60	88.57
PSPNET	resnet50	tren	Val	480	60	✘	63.44	89.78
DeepLabv3	resnet50	tren	Val	480	60	✘	60.15	88.36

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

Prueba de exceso

Consulte la prueba para obtener más detalles.

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

Hacer

• Agregar guión de trenes
• eliminar sincronización
• Entrenar y evaluar
• Prueba de capacitación distribuida
• FIJA SYNCBN (¿Por qué sincronizar?)
• Agregue distribuido (¿cómo DIST?)

Referencias

• Codificación de pytorch
• Maskrcnn-Benchmark
• Gloun-CV
• Imagenet