Efficient Segmentation Networks

Networks de segmentação eficientes

Este projeto tem como objetivo fornecer uma implementação de referência modificável e fácil de usar para modelos de segmentação semântica em tempo real usando Pytorch.

----

Índice:

• Requisitos
• Modelos
• Configuração do conjunto de dados
• Uso
• Contato

Requisitos

Pytorch e Torchvision precisam ser instalados antes de executar os scripts, o Pytorch v1.1 ou posterior é suportado.

pip3 install -r requirements.txt

Modelos

O projeto suporta esses modelos de segmentação semântica da seguinte forma:

• ( SQNET ) Acelerando a segmentação semântica para direção autônoma [papel]
• ( LinkNet ) Explorando representações do codificador para segmentação semântica eficiente [papel]
• ( Segnet ) Uma profunda arquitetura convolucional do codificador decodificador para segmentação de imagens [papel]
• Redes convolucionais ( UNET ) para segmentação de imagem biomédica [papel]
• ( ENET ) Uma arquitetura de rede neural profunda para segmentação semântica em tempo real [papel]
• ( ERFNET ) ConvNet eficiente para segmentação semântica em tempo real [papel]
• ( Edanet ) Módulos densos eficientes de convolução assimétrica para segmentação em tempo real [papel]
• ( ESPNET ) Pirâmide espacial eficiente de convoluções dilatadas para segmentação semântica [papel]
• ( ESPNETV2 ) Uma convicção leve, eficiente em termos de energia e de uso geral [papel]
• ( LEDNET ) Uma rede de codificadores leves leves para segmentação semântica em tempo real [papel]
• ( FSSNET ) Segmentação semântica rápida para percepção da cena [papel]
• ( ESNET ) Uma rede simétrica eficiente para segmentação semântica em tempo real [papel]
• ( Cgnet ) Uma rede guiada de contexto leve para segmentação semântica [papel]
• ( Fast-SCNN ) Rede de segmentação semântica rápida [papel]
• ( DabNet ) Gardeco assimétrico em profundidade para segmentação semântica em tempo real [papel]
• ( ContextNet ) Explorando o contexto e os detalhes da segmentação semântica em tempo real [papel]
• ( FPENET ) RECURSO PIRAMÍDA REDE DE ENCONTRAÇÃO DE PIRAMIDA PARA SEGENTAÇÃO SEMÁTICA EM TEMPO REAL [Paper]
• ...

Perdas

O projeto suporta essas funções de perda:

1. Entropia cruzada ponderada
2. Entropia cruzada ponderada com rótulo suave
3. Perda focal
4. OHem entropia cruzada
5. Lovaszsoftmax
6. Segloss-list
7. ...

Otimizadores

O projeto suporta esses otimizadores:

1. Sgd
2. Adão
3. Adamw
4. Radam
5. Radam + lookahead
6. ...

Ativações

1. Relu
2. Pré
3. Relu6
4. Swish
5. Mish: uma função de ativação neural não monotônica regularizada
6. ...

Agendador da taxa de aprendizado

O projeto suporta estes LR_SCHEDULERS:

1. Poly Decay
2. Aquecimento poli
3. ...

Métodos de normalização

1. No local ativado em lote
2. Normalização comutável
3. Padronização de peso
4. ...

Melhorando o método de aprendizado de recursos semânticos

1. Família de atenção
2. Família NAS
3. ...

Algumas ferramentas úteis

1. Pytorch-Opcounter
2. flops-counter.pytorch
3. NETRON: Visualizador para modelos de rede neural, URL on -line: Netron
4. Falshtorch: Visualization Toolkit para redes neurais em Pytorch!
5. Bolsa de truques para classificação de imagens com redes neurais convolucionais
6. ...

Conjunto de dados

Este projeto foi adaptado para se adequar às paisagens da cidade e aos conjuntos de dados CAMVID. As dobras do seu conjunto de dados precisam satisfazer as seguintes estruturas:

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

• Você pode baixar o conjunto de dados da Cityscapes aqui. NOTA: Faça o download do leftImg8bit_trainValTest.zip (11 GB) e GTFINE_TRANVALTEST (241MB).
• Você pode baixar o conjunto de dados CAMVID aqui.
• Os scripts do conjunto de dados da Cityscapes para inspeção, preparação e avaliação podem fazer o download daqui.

Uso

Clone este repo

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

Atualmente, o código suporta Python 3

Dependências da tocha:

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

Dependências de dados:

• Cityscapes + scripts

Faça o download da Cityscapes e execute o script createTrainIdLabelImgs.py para criar anotações com base nos rótulos de treinamento. Certifique -se de que a pasta seja chamada Cityscapes

Treinamento

• Para paisagens da cidade / Camvid

1. Treinamento no conjunto de trem

 python train.py  --help

2. Treinamento em trem+Val Conjunto

 python train.py --help

Teste

• Para paisagens da cidade / Camvid

 python test.py --help

Prevendo

• Para paisagens da cidade

 python predict.py --help

Avaliação

• Para paisagens da cidade

 cd tools
python trainID2labelID.py 

Contato

Se você acha esse trabalho útil, por favor me dê uma estrela! E se você encontrar algum erro ou tiver alguma sugestão, entre em contato comigo.

Github: xiaoyufenfei E -mail: [email protected]

Consulte este representante

Você é incentivado a citar os seguintes trabalhos se este trabalho ajudar sua pesquisa.

@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}
}

Licença

Este projeto é divulgado sob a licença do MIT. Consulte a licença para obter detalhes adicionais.