Efficient Segmentation Networks

Jarang Segmentasi yang Efisien

Proyek ini bertujuan untuk menyediakan implementasi referensi yang mudah digunakan dan dapat dimodifikasi untuk model segmentasi semantik waktu-nyata menggunakan Pytorch.

---

Daftar isi:

• Persyaratan
• Model
• Pengaturan Dataset
• Penggunaan
• Kontak

Persyaratan

Pytorch dan TorchVision perlu diinstal sebelum menjalankan skrip, Pytorch v1.1 atau lebih baru didukung.

pip3 install -r requirements.txt

Model

Proyek ini mendukung model segmentasi semantik ini sebagai berikut:

• ( SQNET ) Mempercepat segmentasi semantik untuk mengemudi otonom [kertas]
• ( LinkNet ) mengeksploitasi representasi encoder untuk segmentasi semantik yang efisien [kertas]
• ( SEGNET ) Arsitektur Encoder-Decoder yang mendalam untuk segmentasi gambar [kertas]
• ( UNET ) jaringan konvolusional untuk segmentasi gambar biomedis [kertas]
• ( Enet ) Arsitektur jaringan saraf yang dalam untuk segmentasi semantik waktu nyata [kertas]
• ( Erfnet ) Convnet yang efisien untuk segmentasi semantik waktu nyata [kertas]
• ( Edanet ) Modul padat yang efisien dari konvolusi asimetris untuk segmentasi real-time [kertas]
• ( ESPNET ) Piramida spasial yang efisien dari konvolusi melebar untuk segmentasi semantik [kertas]
• ( ESPNETV2 ) Convnet [kertas] ringan, hemat daya, dan tujuan umum [kertas]
• ( LEDNET ) jaringan encoder-decoder ringan untuk segmentasi semantik waktu nyata [kertas]
• ( FSSNET ) Segmentasi semantik cepat untuk persepsi adegan [kertas]
• ( ESNET ) Jaringan simetris yang efisien untuk segmentasi semantik waktu nyata [kertas]
• ( CGNET ) Jaringan yang dipandu konteks ringan untuk segmentasi semantik [kertas]
• ( Fast-SCNN ) Jaringan segmentasi semantik cepat [kertas]
• ( Dabnet ) Bottleneck asimetris-bijaksana untuk segmentasi semantik waktu nyata [kertas]
• ( ContextNet ) Menjelajahi konteks dan detail untuk segmentasi semantik dalam [kertas] waktu nyata]
• ( FPENET ) Fitur jaringan pengkodean piramida untuk segmentasi semantik real-time [kertas]
• ...

Kerugian

Proyek ini mendukung fungsi kerugian ini:

1. Entropi silang tertimbang
2. Entropi silang tertimbang dengan label halus
3. Kehilangan fokus
4. Ohem Cross Entropy
5. Lovaszsoftmax
6. Segloss-list
7. ...

Pengoptimal

Proyek ini mendukung pengoptimal ini:

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

Aktivasi

1. Relu
2. Prelu
3. Relu6
4. Desir
5. Mish: fungsi aktivasi saraf non-monotonik yang diatur sendiri
6. ...

Penjadwal Tingkat Pembelajaran

Proyek ini mendukung LR_SCHEDULERS ini:

1. Poly Decay
2. Panis Poli
3. ...

Metode normalisasi

1. Batchnorm aktif di tempat
2. Normalisasi yang dapat diaktifkan
3. Standardisasi berat badan
4. ...

Meningkatkan metode pembelajaran fitur semantik

1. Perhatian keluarga
2. Keluarga NAS
3. ...

Beberapa alat yang berguna

1. Pytorch-Opcounter
2. FLOPS-COUNTER.PYTORCH
3. Netron: Visualizer untuk model jaringan saraf, URL online: Netron
4. Falshtorch: Toolkit Visualisasi untuk Jaringan Saraf di Pytorch!
5. Tas trik untuk klasifikasi gambar dengan jaringan saraf konvolusional
6. ...

Pengaturan dataset

Proyek ini telah disesuaikan dengan dataset Cityscapes dan Camvid. Lipatan dataset Anda perlu memenuhi struktur berikut:

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

• Anda dapat mengunduh dataset CityScapes dari sini. Catatan: Silakan unduh leftIMG8BIT_TRAINVALTEST.zip (11GB) dan GTFINE_TRAINVALTEST (241MB).
• Anda dapat mengunduh dataset Camvid dari sini.
• Skrip Dataset CityScapes untuk inspeksi, persiapan, dan evaluasi dapat mengunduh dari sini.

Penggunaan

Klone repo ini

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

Saat ini, kode mendukung Python 3

Ketergantungan Obor:

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

Ketergantungan Data:

• CityScapes + Scripts

Unduh CityScapes dan jalankan skrip createTrainIdLabelImgs.py untuk membuat anotasi berdasarkan label pelatihan. Pastikan foldernya bernama CityScapes

Pelatihan

• Untuk Cityscapes / Camvid

1. Pelatihan di set kereta

 python train.py  --help

2. Pelatihan di Train+Val Set

 python train.py --help

Pengujian

• Untuk Cityscapes / Camvid

 python test.py --help

Memprediksi

• Untuk Cityscapes

 python predict.py --help

Mengevaluasi

• Untuk Cityscapes

 cd tools
python trainID2labelID.py 

Kontak

Jika menurut Anda pekerjaan ini bermanfaat, tolong beri saya bintang! Dan jika Anda menemukan kesalahan atau memiliki saran, silakan hubungi saya.

Github: xiaoyufenfei Email: [email protected]

Lihat perwakilan ini

Anda didorong untuk mengutip makalah berikut jika pekerjaan ini membantu penelitian Anda.

@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}
}

Lisensi

Proyek ini dirilis di bawah lisensi MIT. Lihat lisensi untuk detail tambahan.