awesome semantic segmentation pytorch

pytorch的语义细分

英语| 简体中文

该项目旨在为使用Pytorch提供简洁，易于使用，可修改的参考实现。

安装

 # semantic-segmentation-pytorch dependencies
pip install ninja tqdm

# follow PyTorch installation in https://pytorch.org/get-started/locally/
conda install pytorch torchvision -c pytorch

# install PyTorch Segmentation
git clone https://github.com/Tramac/awesome-semantic-segmentation-pytorch.git

用法

火车

---

• 单GPU培训

 # for example, train fcn32_vgg16_pascal_voc:
python train.py --model fcn32s --backbone vgg16 --dataset pascal_voc --lr 0.0001 --epochs 50

• 多GPU培训

 # for example, train fcn32_vgg16_pascal_voc with 4 GPUs:
export NGPUS=4
python -m torch.distributed.launch --nproc_per_node=$NGPUS train.py --model fcn32s --backbone vgg16 --dataset pascal_voc --lr 0.0001 --epochs 50

评估

---

• 单GPU评估

 # for example, evaluate fcn32_vgg16_pascal_voc
python eval.py --model fcn32s --backbone vgg16 --dataset pascal_voc

• 多GPU评估

 # for example, evaluate fcn32_vgg16_pascal_voc with 4 GPUs:
export NGPUS=4
python -m torch.distributed.launch --nproc_per_node=$NGPUS eval.py --model fcn32s --backbone vgg16 --dataset pascal_voc

演示

 cd ./scripts
#for new users:
python demo.py --model fcn32s_vgg16_voc --input-pic ../tests/test_img.jpg
#you should add 'test.jpg' by yourself
python demo.py --model fcn32s_vgg16_voc --input-pic ../datasets/test.jpg

 .{SEG_ROOT}
├── scripts
│   ├── demo.py
│   ├── eval.py
│   └── train.py

支持

模型

• FCN
• enet
• pspnet
• ICNET
• DeepLabv3
• deeplabv3+
• Denseaspp
• encnet
• Bisenet
• psanet
• 丹特
• OCNET
• CGNET
• ESPNETV2
• Dunet（dupsmpling）
• FastFCN（JPU）
• Lednet
• 快速扫描
• Lightseg
• dfanet

模型和骨干的详细信息。

 .{SEG_ROOT}
├── core
│   ├── models
│   │   ├── bisenet.py
│   │   ├── danet.py
│   │   ├── deeplabv3.py
│   │   ├── deeplabv3+.py
│   │   ├── denseaspp.py
│   │   ├── dunet.py
│   │   ├── encnet.py
│   │   ├── fcn.py
│   │   ├── pspnet.py
│   │   ├── icnet.py
│   │   ├── enet.py
│   │   ├── ocnet.py
│   │   ├── psanet.py
│   │   ├── cgnet.py
│   │   ├── espnet.py
│   │   ├── lednet.py
│   │   ├── dfanet.py
│   │   ├── ......

数据集

您可以运行脚本以下载数据集，例如：

 cd ./core/data/downloader
python ade20k.py --download-dir ../datasets/ade

数据集	训练集	验证集	测试集
VOC2012	1464	1449	✘
vocaug	11355	2857	✘
ADK20K	20210	2000	✘
城市景观	2975	500	✘
可可
sbu shadow	4085	638	✘
嘴唇（看一看）	30462	10000	10000

 .{SEG_ROOT}
├── core
│   ├── data
│   │   ├── dataloader
│   │   │   ├── ade.py
│   │   │   ├── cityscapes.py
│   │   │   ├── mscoco.py
│   │   │   ├── pascal_aug.py
│   │   │   ├── pascal_voc.py
│   │   │   ├── sbu_shadow.py
│   │   └── downloader
│   │       ├── ade20k.py
│   │       ├── cityscapes.py
│   │       ├── mscoco.py
│   │       ├── pascal_voc.py
│   │       └── sbu_shadow.py

结果

• Pascal VOC 2012

方法	骨干	火车集	evalset	作物_size	时代	JPU	意思是我	PIXACC
FCN32S	VGG16	火车	瓦尔	480	60	✘	47.50	85.39
FCN16S	VGG16	火车	瓦尔	480	60	✘	49.16	85.98
FCN8S	VGG16	火车	瓦尔	480	60	✘	48.87	85.02
FCN32S	RESNET50	火车	瓦尔	480	50	✘	54.60	88.57
pspnet	RESNET50	火车	瓦尔	480	60	✘	63.44	89.78
DeepLabv3	RESNET50	火车	瓦尔	480	60	✘	60.15	88.36

注意： lr=1e-4, batch_size=4, epochs=80 。

过度拟合测试

有关详细信息，请参见测试。

 .{SEG_ROOT}
├── tests
│   └── test_model.py

做

• 添加火车脚本
• 删除Syncbn
• 火车和评估
• 测试分布式培训
• 修复Syncbn（为什么是Syncbn？）
• 添加分布式（如何区分？）

参考

• pytorch编码
• maskrcnn基准
• GLOUN-CV
• 成像网