Efficient Segmentation Networks

Segmentation efficace-segmentation

Ce projet vise à fournir une implémentation de référence modifiable facile à utiliser pour les modèles de segmentation sémantique en temps réel à l'aide de Pytorch.

---

Table des matières:

• Exigences
• Modèles
• Paramètre de jeu de données
• Usage
• Contact

Exigences

Pytorch et TorchVision doivent être installés avant d'exécuter les scripts, Pytorch v1.1 ou ultérieure est pris en charge.

pip3 install -r requirements.txt

Modèles

Le projet soutient ces modèles de segmentation sémantique comme suit:

• ( SQNET ) Accélérant la segmentation sémantique pour la conduite autonome [papier]
• ( LinkNet ) Exploitation des représentations de codeur pour une segmentation sémantique efficace [Papier]
• ( Segnet ) Une architecture de coder convolutionnelle profonde pour la segmentation de l'image [papier]
• ( UNET ) Réseaux de convolution pour la segmentation biomédicale de l'image [document]
• ( ENET ) Une architecture de réseau neuronal profond pour la segmentation sémantique en temps réel [document]
• ( ERFNET ) ConvNET efficace pour la segmentation sémantique en temps réel [papier]
• ( EDANET ) Modules denses efficaces de la convolution asymétrique pour la segmentation en temps réel [papier]
• ( ESPNET ) Pyramide spatial efficace des convolutions dilatées pour la segmentation sémantique [papier]
• ( ESPNETV2 ) Un peuple léger, économe en puissance et à usage général Convnet [papier]
• ( LeDNET ) Un réseau de cocodeur léger pour la segmentation sémantique en temps réel [papier]
• ( FSSNET ) Segmentation sémantique rapide pour la perception de la scène [papier]
• ( ESNET ) Un réseau symétrique efficace pour la segmentation sémantique en temps réel [papier]
• ( CGNET ) Un réseau guidé de contexte léger pour la segmentation sémantique [papier]
• ( Fast-SCNN ) Réseau de segmentation sémantique rapide [Papier]
• ( Dabnet ) goulot d'étranglement asymétrique en profondeur pour la segmentation sémantique en temps réel [papier]
• ( Contextnet ) Exploration du contexte et des détails pour la segmentation sémantique dans [papier] en temps réel]
• ( FPENET ) Faut de réseau de codage pyramid pour la segmentation sémantique en temps réel [Paper]
• ...

Pertes

Le projet prend en charge ces fonctions de perte:

1. Entropie croisée pondérée
2. Entropie croisée pondérée avec étiquette lisse
3. Perte
4. Entropie croisée ohem
5. Lovaszsoftmax
6. Liste de segloss
7. ...

Optimisateurs

Le projet prend en charge ces optimisateurs:

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

Activations

1. Relu
2. Prélu
3. Relu6
4. Bruissement
5. Mish: une fonction d'activation neuronale non monotonique auto-régularisée
6. ...

Planificateur de taux d'apprentissage

Le projet prend en charge ces LR_SCheDUlers:

1. Décroissance en poly
2. Échauffement poly
3. ...

Méthodes de normalisation

1. Batchnorm activé en place
2. Normalisation commutable
3. Standardisation du poids
4. ...

Amélioration de la méthode d'apprentissage des fonctionnalités sémantiques

1. Famille d'attention
2. Famille NAS
3. ...

Quelques outils utiles

1. pytorch-opcounter
2. flops-toun.pytorch
3. Nettron: Visualizer pour les modèles de réseau neuronal, URL en ligne: NETRON
4. FALSHTORCH: Visualisation Toolkit pour les réseaux de neurones à Pytorch!
5. Sac d'astuces pour la classification d'images avec des réseaux de neurones convolutionnels
6. ...

Ensemble de données

Ce projet a été conçu pour s'adapter aux ensembles de données urbains et à CAMVID. Les plis de votre ensemble de données nécessitent satisfaire les structures suivantes:

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

• Vous pouvez télécharger un ensemble de données Cityscapes à partir d'ici. Remarque: veuillez télécharger leftImg8bit_trainvaltest.zip (11 Go) et gtfine_trainvaltest (241 Mo).
• Vous pouvez télécharger un ensemble de données CAMVID à partir d'ici.
• Les scripts de données CityScapes pour l'inspection, la préparation et l'évaluation peuvent télécharger à partir d'ici.

Usage

Cloner ce repo

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

Actuellement, le code prend en charge Python 3

Dépendances de la torche:

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

Dépendances des données:

• Paysages urbains + scripts

Téléchargez les paysages urbains et exécutez le script createTrainIdLabelImgs.py pour créer des annotations basées sur les étiquettes de formation. Assurez-vous que le dossier est nommé Cityscapes

Entraînement

• Pour les paysages urbains / camvid

1. Formation sur les trains

 python train.py  --help

2. Formation sur le train + Set Val

 python train.py --help

Essai

• Pour les paysages urbains / camvid

 python test.py --help

Prévision

• Pour les paysages urbains

 python predict.py --help

Évaluation

• Pour les paysages urbains

 cd tools
python trainID2labelID.py 

Contact

Si vous pensez que ce travail utile, donnez-moi une étoile! Et si vous trouvez des erreurs ou si vous avez des suggestions, veuillez me contacter.

Github: xiaoyufenfei Courriel: [email protected]

Reportez-vous à ce représentant

Vous êtes encouragé à citer les articles suivants si ce travail aide vos recherches.

@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}
}

Licence

Ce projet est publié sous la licence du MIT. Voir la licence pour plus de détails.