pytorch semseg

Pytorch-Semseg

Алгоритмы семантической сегментации, реализованные в Pytorch

Этот репозиторий направлен на отражение популярных архитектур семантической сегментации в Pytorch.

Сети реализованы

• PSPNet - при поддержке загрузки моделей без зависимости от кофе
• ICNET - с дополнительными моделями BatchNorm и Pretring
• FRRN - Модель A и B
• FCN - All 1 (FCN32S), 2 (FCN16S) и 3 (FCN8S) Варианты потока
• U -NET - с дополнительной деконволюцией и пакетом
• Link -Net - с несколькими бэкендами Resnet
• Segnet - с неохотом на использование индексов MaxPool

Предстоящий

• Электронная сеть
• RefineNet

DataLoaders реализованы

• Камвид
• Pascal Voc
• ADE20K
• Места для анализа сцены MIT
• Городские пейзажи
• Nyudv2
• Sun-Rgbd

Требования

• Pytorch> = 0,4,0
• TOCHVISION == 0.2.0
• Scipy
• TQDM
• Tensorboardx

Однострочная установка

pip install -r requirements.txt

Данные

• Загрузите данные для желаемых наборов данных из списка URL -адресов здесь.
• Извлеките Zip / TAR и соответствующим образом измените путь в вашем config.yaml

Использование

Настройка файла конфигурации

 # Model Configuration
model :
    arch : <name> [options: 'fcn[8,16,32]s, unet, segnet, pspnet, icnet, icnetBN, linknet, frrn[A,B]'
    <model_keyarg_1>:<value>

# Data Configuration
data :
    dataset : <name> [options: 'pascal, camvid, ade20k, mit_sceneparsing_benchmark, cityscapes, nyuv2, sunrgbd, vistas'] 
    train_split : <split_to_train_on>
    val_split : <spit_to_validate_on>
    img_rows : 512
    img_cols : 1024
    path : <path/to/data>
    <dataset_keyarg1>:<value>

# Training Configuration
training :
    n_workers : 64
    train_iters : 35000
    batch_size : 16
    val_interval : 500
    print_interval : 25
    loss :
        name : <loss_type> [options: 'cross_entropy, bootstrapped_cross_entropy, multi_scale_crossentropy']
        <loss_keyarg1>:<value>

    # Optmizer Configuration
    optimizer :
        name : <optimizer_name> [options: 'sgd, adam, adamax, asgd, adadelta, adagrad, rmsprop']
        lr : 1.0e-3
        <optimizer_keyarg1>:<value>

        # Warmup LR Configuration
        warmup_iters : <iters for lr warmup>
        mode : <'constant' or 'linear' for warmup'>
        gamma : <gamma for warm up>
       
    # Augmentations Configuration
    augmentations :
        gamma : x                                     # [gamma varied in 1 to 1+x]
        hue : x                                       # [hue varied in -x to x]
        brightness : x                                # [brightness varied in 1-x to 1+x]
        saturation : x                                # [saturation varied in 1-x to 1+x]
        contrast : x                                  # [contrast varied in 1-x to 1+x]
        rcrop : [h, w]                                # [crop of size (h,w)]
        translate : [dh, dw]                          # [reflective translation by (dh, dw)]
        rotate : d                                    # [rotate -d to d degrees]
        scale : [h,w]                                 # [scale to size (h,w)]
        ccrop : [h,w]                                 # [center crop of (h,w)]
        hflip : p                                     # [flip horizontally with chance p]
        vflip : p                                     # [flip vertically with chance p]

    # LR Schedule Configuration
    lr_schedule :
        name : <schedule_type> [options: 'constant_lr, poly_lr, multi_step, cosine_annealing, exp_lr']
        <scheduler_keyarg1>:<value>

    # Resume from checkpoint  
    resume : <path_to_checkpoint>

Чтобы тренировать модель:

 python train.py [-h] [--config [CONFIG]] 

--config                Configuration file to use

Чтобы подтвердить модель:

 usage: validate.py [-h] [--config [CONFIG]] [--model_path [MODEL_PATH]]
                       [--eval_flip] [--measure_time]

  --config              Config file to be used
  --model_path          Path to the saved model
  --eval_flip           Enable evaluation with flipped image | True by default
  --measure_time        Enable evaluation with time (fps) measurement | True
                        by default

Чтобы проверить модель набора данных на пользовательских изображениях:

 python test.py [-h] [--model_path [MODEL_PATH]] [--dataset [DATASET]]
               [--dcrf [DCRF]] [--img_path [IMG_PATH]] [--out_path [OUT_PATH]]
 
  --model_path          Path to the saved model
  --dataset             Dataset to use ['pascal, camvid, ade20k etc']
  --dcrf                Enable DenseCRF based post-processing
  --img_path            Path of the input image
  --out_path            Path of the output segmap

Если вы найдете этот код полезным в своем исследовании, пожалуйста, рассмотрите возможность цитировать:

 @article{mshahsemseg,
    Author = {Meet P Shah},
    Title = {Semantic Segmentation Architectures Implemented in PyTorch.},
    Journal = {https://github.com/meetshah1995/pytorch-semseg},
    Year = {2017}
}