Efficient Segmentation Networks

Эффективная сегментация-сети

Этот проект направлен на предоставление простой в использовании, модифицируемой справочной реализации для моделей семантической сегментации в реальном времени с использованием Pytorch.

---

Оглавление:

• Требования
• Модели
• Настройка набора данных
• Использование
• Контакт

Требования

Pytorch и Torchvision должны быть установлены перед запуском сценариев, поддерживается Pytorch v1.1 или более поздней версии.

pip3 install -r requirements.txt

Модели

Проект поддерживает эти модели семантической сегментации следующим образом:

• ( SQNet ) Ускорение семантической сегментации для автономного вождения [бумага]
• ( Linknet ) Использование представлений энкодера для эффективной семантической сегментации [Paper]
• ( SEGNET ) Глубокая сверточная архитектура энкодера-декодера для сегментации изображения [Paper]
• ( UNET ) Свожденные сети для биомедицинской сегментации изображений [бумага]
• ( ENET ) Архитектура глубокой нейронной сети для семантической сегментации в реальном времени [Paper]
• ( ERFNET ) Эффективная конвнета для семантической сегментации в реальном времени [Paper]
• ( EDANET ) Эффективные плотные модули асимметричной свертки для сегментации в реальном времени [Paper]
• ( ESPNET ) Эффективная пространственная пирамида расширенных свертков для семантической сегментации [бумага]
• ( ESPNetV2 ) легкий вес, энергосберегающий и конврец общего назначения [Paper]
• ( LEDNET ) Легкая сеть Encoder-Decoder для семантической сегментации в реальном времени [Paper]
• ( FSSNET ) Быстрая семантическая сегментация для восприятия сцены [бумага]
• ( ESNET ) Эффективная симметричная сеть для семантической сегментации в реальном времени [Paper]
• ( CGNET ) Световой контекст, управляемая сетью для семантической сегментации [Paper]
• ( Fast-Scnn ) Fast Semantic сегментационная сеть [Paper]
• ( DABNET ) Глубинная асимметричная узкая местность для семантической сегментации в реальном времени [бумага]
• ( Contextnet ) Изучение контекста и детали для семантической сегментации в режиме реального времени [Paper]
• ( FPENET ) Функция кодирования пирамиды для семантической сегментации в реальном времени [Paper]
• ...

Убытки

Проект поддерживает эти функции потерь:

1. Взвешенная поперечная энтропия
2. Взвешенная поперечная энтропия с гладкой меткой
3. Фокусная потеря
4. Айм -кросс -энтропия
5. Lovaszsoftmax
6. Segloss-List
7. ...

Оптимизаторы

Проект поддерживает эти оптимизаторы:

1. SGD
2. Адам
3. Адамв
4. Радам
5. Radam + Lookahead
6. ...

Активации

1. Рельеф
2. Прела
3. RELU6
4. Прозрачный
5. MISH: самомонотоническая нейронная функция нейронной активации
6. ...

Планировщик курса обучения

Проект поддерживает эти lr_schedulers:

1. Поли распада
2. Разминка поли
3. ...

Методы нормализации

1. На месте активированный патч
2. Переключаемая нормализация
3. Стандартизация веса
4. ...

Усовершенствование метода обучения семантической особенности

1. Внимание семья
2. Семья НАС
3. ...

Некоторые полезные инструменты

1. Pytorch-Opcounter
2. Flops-counter.pytorch
3. Netron: визуализатор для моделей нейронной сети, онлайн URL: Netron
4. Falshtorch: Инструментализация визуализации для нейронных сетей в Pytorch!
5. Мешок трюков для классификации изображений с сверточными нейронными сетями
6. ...

Установление наборов данных

Этот проект был адаптирован в соответствии с городскими пейзажами и наборами данных Camvid. Складки вашего набора данных нуждаются в удовлетворении следующих структур:

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

• Вы можете скачать набор данных CityScapes отсюда. Примечание. Пожалуйста, загрузите LeftImg8bit_trainvaltest.zip (11gb) и gtfine_trainvaltest (241 МБ).
• Вы можете скачать набор данных Camvid отсюда.
• Сценарии набора данных CityScapes для проверки, подготовки и оценки могут загрузить отсюда.

Использование

Клонировать это репо

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

В настоящее время код поддерживает Python 3

Зависимости от факела:

• Pytorch (> = 1,1,0)
• TOCHVISION (> = 0,3,0)

Зависимости от данных:

• CityScapes + Scripts

Загрузите CityScapes и запустите Script createTrainIdLabelImgs.py , чтобы создать аннотации на основе учебных лейблов. Убедитесь, что папка названа CityScapes

Обучение

• Для CityScapes / Camvid

1. Обучение на поезде

 python train.py  --help

2. Обучение на Train+Val Set

 python train.py --help

Тестирование

• Для CityScapes / Camvid

 python test.py --help

Прогнозирование

• Для городских пейзажей

 python predict.py --help

Оценка

• Для городских пейзажей

 cd tools
python trainID2labelID.py 

Контакт

Если вы думаете, что эта работа полезна, пожалуйста, дайте мне звезду! И если вы найдете какие -либо ошибки или имеете какие -либо предложения, пожалуйста, свяжитесь со мной.

Github: xiaoyufenfei Электронная почта: [email protected]

Обратитесь к этому представителю

Вам рекомендуется цитировать следующие документы, если эта работа помогает вашему исследованию.

@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}
}

Лицензия

Этот проект выпущен по лицензии MIT. Смотрите лицензию для получения дополнительной информации.