Efficient Segmentation Networks

Networks de segmentación eficiente

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

---

Tabla de contenido:

• Requisitos
• Modelos
• Configuración del conjunto de datos
• Uso
• Contacto

Requisitos

Se debe instalar Pytorch y TorchVision antes de ejecutar los scripts, es compatible con Pytorch v1.1 o posterior.

pip3 install -r requirements.txt

Modelos

El proyecto admite estos modelos de segmentación semántica de la siguiente manera:

• ( SQNET ) Acelerando la segmentación semántica para la conducción autónoma [papel]
• ( LinkNet ) Explotación de representaciones del codificador para la segmentación semántica eficiente [documento]
• ( Segnet ) Una arquitectura de codificador de codificador convolucional profundo para la segmentación de imágenes [documento]
• ( Unlo ) redes convolucionales para la segmentación de imágenes biomédicas [documento]
• ( ENET ) Una arquitectura de red neuronal profunda para la segmentación semántica en tiempo real [documento]
• ( Erfnet ) Convnet eficiente para la segmentación semántica en tiempo real [documento]
• ( Edanet ) Módulos densos eficientes de convolución asimétrica para la segmentación en tiempo real [documento]
• ( ESPNet ) Pirámide espacial eficiente de convoluciones dilatadas para la segmentación semántica [papel]
• ( ESPNETV2 ) Un convnet de longitud ligera, eficiente y de uso general [documento]
• ( LEDNet ) Una red de codificador de codificador ligero para la segmentación semántica en tiempo real [papel]
• ( FSSNET ) Segmentación semántica rápida para la percepción de la escena [papel]
• ( ESNET ) Una red simétrica eficiente para la segmentación semántica en tiempo real [papel]
• ( CGNET ) Una red guiada con contexto de peso ligero para la segmentación semántica [papel]
• ( Fast-SCNN ) Red de segmentación semántica rápida [documento]
• ( Dabnet ) Coloque de botella asimétrico en cuanto a profundidad para la segmentación semántica en tiempo real [papel]
• ( Contextnet ) Explorando el contexto y los detalles para la segmentación semántica en tiempo real [documento]
• ( FPENET ) Red de codificación piramidal para la segmentación semántica en tiempo real [documento]
• ...

Pérdidas

El proyecto respalda estas funciones de pérdida:

1. Entropía cruzada pesada
2. Entropía cruzada pesada con etiqueta suave
3. Pérdida focal
4. Entropía cruzada de ohem
5. Lovaszsoftmax
6. Lista de segglosas
7. ...

Optimizadores

El proyecto admite estos optimizadores:

1. Sgd
2. Adán
3. Adamw
4. Radam
5. Radam + LookAhead
6. ...

Activaciones

1. Rehacer
2. Prelú
3. Relu6
4. Silbido
5. Mish: una función de activación neuronal no monotónica auto regularizada
6. ...

Programador de tarifas de aprendizaje

El proyecto admite estos lr_schedulers:

1. Decayación poli
2. Poli de calentamiento
3. ...

Métodos de normalización

1. Batchnorm activado en el lugar
2. Normalización conmutable
3. Estandarización de peso
4. ...

Mejora del método de aprendizaje de características semánticas

1. Familia de atención
2. Familia NAS
3. ...

Algunas herramientas útiles

1. pytorch-opcounter
2. flops-counter.pytorch
3. Netron: Visualizador para modelos de redes neuronales, URL en línea: Netron
4. Falshtorch: ¡Toma de herramientas de visualización para redes neuronales en Pytorch!
5. Bolsa de trucos para la clasificación de imágenes con redes neuronales convolucionales
6. ...

Establecimiento de datos

Este proyecto se ha adaptado para adaptarse a los paisajes urbanos y los conjuntos de datos CAMVID. Los pliegues de su conjunto de datos necesitan satisfacer las siguientes estructuras:

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

• Puede descargar el conjunto de datos Cityscapes desde aquí. Nota: Descargue LeftImg8bit_trainvaltest.zip (11GB) y GTFine_trainvaltest (241MB).
• Puede descargar el conjunto de datos CAMVID desde aquí.
• Los scripts del conjunto de datos de los paisajes urbanos para inspección, preparación y evaluación pueden descargarse desde aquí.

Uso

Clon este repositorio

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

Actualmente, el código admite Python 3

Dependencias de la antorcha:

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

Dependencias de datos:

• Paisajes urbanos + guiones

Descargue los paisajes urbanos y ejecute el script createTrainIdLabelImgs.py para crear anotaciones basadas en las etiquetas de entrenamiento. Asegúrese de que la carpeta se denomina paisajes urbanos

Capacitación

• Para paisajes urbanos / camvid

1. Entrenamiento en el set de trenes

 python train.py  --help

2. Entrenamiento en Train+Val set

 python train.py --help

Pruebas

• Para paisajes urbanos / camvid

 python test.py --help

Predicción

• Para paisajes urbanos

 python predict.py --help

Evaluación

• Para paisajes urbanos

 cd tools
python trainID2labelID.py 

Contacto

Si crees que este trabajo es útil, ¡dame una estrella! Y si encuentra algún error o tiene alguna sugerencia, contácteme.

Github: xiaoyufenfei Correo electrónico: [email protected]

Consulte este representante

Se le recomienda que cite los siguientes documentos si este trabajo ayuda a su investigación.

@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}
}

Licencia

Este proyecto se publica bajo la licencia MIT. Consulte la licencia para obtener detalles adicionales.