Pytorch UNet

U-Net: Segmentasi semantik dengan pytorch

Implementasi U-NET yang disesuaikan di Pytorch untuk tantangan masking gambar carvana Kaggle dari gambar definisi tinggi.

• Awal yang cepat
  • Tanpa Docker
  • Dengan Docker
• Keterangan
• Penggunaan
  • Buruh pelabuhan
  • Pelatihan
  • Ramalan
• Bobot & Bias
• Model pretrained
• Data

Awal yang cepat

Tanpa Docker

1. Instal Cuda

2. Instal Pytorch 1.13 atau lebih baru

3. Instal dependensi

pip install -r requirements.txt

4. Unduh Data dan Jalankan Pelatihan:

bash scripts/download_data.sh
python train.py --amp

Dengan Docker

1. Instal Docker 19.03 atau lebih baru:

curl https://get.docker.com | sh && sudo systemctl --now enable docker

2. Instal NVIDIA Container Toolkit:

distribution= $( . /etc/os-release ; echo $ID$VERSION_ID ) 
   && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - 
   && curl -s -L https://nvidia.github.io/nvidia-docker/ $distribution /nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update
sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker

3. Unduh dan jalankan gambar:

sudo docker run --rm --shm-size=8g --ulimit memlock=-1 --gpus all -it milesial/unet

4. Unduh Data dan Jalankan Pelatihan:

bash scripts/download_data.sh
python train.py --amp

Keterangan

Model ini dilatih dari awal dengan gambar 5K dan mencetak koefisien dadu 0,988423 pada lebih dari 100 ribu gambar uji.

Ini dapat dengan mudah digunakan untuk segmentasi multiclass, segmentasi potret, segmentasi medis, ...

Penggunaan

Catatan: Gunakan Python 3.6 atau yang lebih baru

Buruh pelabuhan

Gambar Docker yang berisi kode dan dependensi tersedia di Dockerhub. Anda dapat mengunduh dan melompat dalam wadah dengan (Docker> = 19.03):

 docker run -it --rm --shm-size=8g --ulimit memlock=-1 --gpus all milesial/unet

Pelatihan

> python train.py -h
usage: train.py [-h] [--epochs E] [--batch-size B] [--learning-rate LR]
                [--load LOAD] [--scale SCALE] [--validation VAL] [--amp]

Train the UNet on images and target masks

optional arguments:
  -h, --help            show this help message and exit
  --epochs E, -e E      Number of epochs
  --batch-size B, -b B  Batch size
  --learning-rate LR, -l LR
                        Learning rate
  --load LOAD, -f LOAD  Load model from a .pth file
  --scale SCALE, -s SCALE
                        Downscaling factor of the images
  --validation VAL, -v VAL
                        Percent of the data that is used as validation (0-100)
  --amp                 Use mixed precision

Secara default, scale 0,5, jadi jika Anda ingin mendapatkan hasil yang lebih baik (tetapi gunakan lebih banyak memori), atur ke 1.

Presisi campuran otomatis juga tersedia dengan bendera --amp . Presisi campuran memungkinkan model untuk menggunakan lebih sedikit memori dan lebih cepat pada GPU terbaru dengan menggunakan aritmatika FP16. AMP disarankan.

Ramalan

Setelah melatih model Anda dan menyimpannya ke MODEL.pth , Anda dapat dengan mudah menguji topeng output pada gambar Anda melalui CLI.

Untuk memprediksi satu gambar dan menyimpannya:

python predict.py -i image.jpg -o output.jpg

Untuk memprediksi banyak gambar dan menunjukkannya tanpa menyimpannya:

python predict.py -i image1.jpg image2.jpg --viz --no-save

> python predict.py -h
usage: predict.py [-h] [--model FILE] --input INPUT [INPUT ...] 
                  [--output INPUT [INPUT ...]] [--viz] [--no-save]
                  [--mask-threshold MASK_THRESHOLD] [--scale SCALE]

Predict masks from input images

optional arguments:
  -h, --help            show this help message and exit
  --model FILE, -m FILE
                        Specify the file in which the model is stored
  --input INPUT [INPUT ...], -i INPUT [INPUT ...]
                        Filenames of input images
  --output INPUT [INPUT ...], -o INPUT [INPUT ...]
                        Filenames of output images
  --viz, -v             Visualize the images as they are processed
  --no-save, -n         Do not save the output masks
  --mask-threshold MASK_THRESHOLD, -t MASK_THRESHOLD
                        Minimum probability value to consider a mask pixel white
  --scale SCALE, -s SCALE
                        Scale factor for the input images

Anda dapat menentukan file model mana yang akan digunakan dengan --model MODEL.pth .

Bobot & Bias

Kemajuan pelatihan dapat divisualisasikan secara real-time menggunakan bobot & bias. Kurva kehilangan, kurva validasi, bobot dan histogram gradien, serta topeng yang diprediksi dicatat ke platform.

Saat meluncurkan pelatihan, tautan akan dicetak di konsol. Klik untuk pergi ke dasbor Anda. Jika Anda memiliki akun W&B yang ada, Anda dapat menautkannya dengan mengatur variabel lingkungan WANDB_API_KEY . Jika tidak, itu akan membuat menjalankan anonim yang secara otomatis dihapus setelah 7 hari.

Model pretrained

Model pretrained tersedia untuk dataset Carvana. Itu juga dapat dimuat dari obor.hub:

 net = torch . hub . load ( 'milesial/Pytorch-UNet' , 'unet_carvana' , pretrained = True , scale = 0.5 )

Skala yang tersedia adalah 0,5 dan 1,0.

Data

Data Carvana tersedia di situs web Kaggle.

Anda juga dapat mengunduhnya menggunakan skrip helper:

 bash scripts/download_data.sh

Gambar input dan masker target harus ada di folder data/imgs dan data/masks masing-masing (perhatikan bahwa folder imgs dan masks tidak boleh berisi sub-folder atau file lain, karena loader data serakah). Untuk carvana, gambar adalah RGB dan topeng berwarna hitam dan putih.

Anda dapat menggunakan dataset Anda sendiri selama Anda memastikan itu dimuat dengan benar di utils/data_loading.py .

---

Kertas asli oleh Olaf Ronneberger, Philipp Fischer, Thomas Brox:

U-Net: Jaringan Konvolusional untuk Segmentasi Gambar Biomedis