# Segmentation-Pytorch
**Repository Path**: Deeachain/Segmentation-Pytorch
## Basic Information
- **Project Name**: Segmentation-Pytorch
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 1
- **Forks**: 0
- **Created**: 2020-09-07
- **Last Updated**: 2021-07-15
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
## 由于时间有限,代码注释没有完善好,我会长期更新,不断完善readme形成一个完整的代码引导,后期数据集也会共享,方便下载调试,谢谢大家的关注~
# 效果展示
PSPNet使用的是作者开源的源代码，训练Cityscapes数据集，Miou=0.5535604759342954，时间有限仅训练200Epoch，此次实验初始学习率设置大收敛慢，后面会实验得到一个最优结果及参数设置。
```
class iou
[0.9486701457704959, 0.7049106876005735, 0.8300539507571478, 0.3252279876366611, 0.32811147036266664,
0.40784611045938335, 0.4032697357010293, 0.5584767609290046, 0.8800581209068778, 0.4874004109192292,
0.9049523717813096, 0.6553959694622065, 0.4079456052528648, 0.8765924542132393, 0.19745433079577926,
0.510012327134576, 0.11816104748732476, 0.34569161104616813, 0.6274179445350734]
```
原图和预测图对比
# 环境安装
```pip install -r requirements.txt```
实验环境 Ubuntu 16.04 GTX1080TI 单卡 python==3.6.5
具体参数见requirement.txt
# 数据预处理
本实验可以实现cityscapes和camvid公开数据集
训练演示使用的是cityscapes
本人主要是用作遥感卫星图像分割,卫星图像尺寸都较大,所以需要进行切图,切分成512*512尺寸大小的图片
后期会更新我的数据集-----
# 模型搭建
所有的模型搭建都是在builders/model_builder.py文件下导入
- [x] UNet
- [x] ENet
- [x] ESPNet
- [x] ESPNet_v2
- [x] ERFNet
- [x] DABNet
- [x] BiSeNetV2
- [x] PSPNet
- [x] DeeplabV3Plus
- [ ] FCN
# 训练
cityscapes的训练:gtFine中的文件需要是onehot之后的图片，总共19个类别（图片中的像素是0-18&255）。
文件结构
```
|--cityscapes
| |--leftImg8bit
| |--train
| |--zurich
| |--leftImg8bit*.png
| |--*
| |--val
| |--zurich
| |--leftImg8bit*.png
| |--*
| |--test
| |--zurich
| |--leftImg8bit*.png
| |--*
| |--gtFine
| |--train
| |--zurich
| |--gtFine_labelTrainIds*.png
| |--*
| |--val
| |--zurich
| |--gtFine_labelTrainIds*.png
| |--*
| |--test
| |--zurich
| |--gtFine_labelTrainIds*.png
```
修改builders/datasets_builder.py下的数据集加载路径
data_dir表示cityscapes数据的目录
data_dir = os.path.join('/media/ding/Data/datasets', dataset)为自己的cityscapes数据集目录即可
我是将cityscapes数据文件夹放在'/media/ding/Data/datasets'下, 仅需修改自己本地存放数据集的目录
os.path.join('/media/ding/Data/datasets', dataset)第二个参数dataset不需要修改，训练的时候传参即可
传参的时候注意--dataset cityscapes,cityscapes需要与数据集的目录名一致
生成训练需要的文件路径的txt文本，cityscapes_train_list.txt；cityscapes_val_list.txt；cityscapes_test_list.txt放在data_dir下
```
txt的格式：*leftImg8bit.png\t*labelTrainIds.png
leftImg8bit/train/cologne/cologne_000000_000019_leftImg8bit.png gtFine/train/cologne/cologne_000000_000019_gtFine_labelTrainIds.png
```
终端下:sh train.sh
train.sh脚本,修改相应参数；详细参数见train.py中的ArgumentParser()
```
主要参数：
--model 训练的模型
--dataset 训练的数据集名称（与文件目录相同）
--max_epochs 训练Epoch
--val_miou_epochs 每100个Epoch验证计算miou
--lr 学习率
--batch_size batch_size
```
```
python train.py --max_epochs 200 --batch_size 2 --model ENet --dataset cityscapes --optim sgd --lr 0.01
```
builders文件夹下dataset_builder.py文件的data_dir需要修改为数据集的文件夹目录
## 测试训练保存的所有模型好坏
test.py文件是用来测试所有训练生成模型权重的好坏,在所有保存的模型权重中测试得到一个指标最高的模型
终端中执行: sh test.sh
修改test.sh的参数
best $True指选择最优模型
```
python test.py --dataset cityscapes \
--model ENet \
--best $True \
--checkpoint /media/ding/Study/graduate/code/Efficient-Segmentation-Networks/checkpoint/cityscapes/ENetbs8gpu1_train/model_300.pth
```
## 两种预测方法
#### 1.预测小图,拼接成大图
```
终端中执行:sh predict.sh脚本--预测小图,修改--checkpoint等参数
接着outputs/concat_image.py拼接成大图
```
#### 2.直接输入大图,滑动窗口进行预测（本人使用的方法）
终端中执行:sh predict_sliding.sh脚本--滑动窗口预测大图
```
python predict_sliding.py --dataset cityscapes \
--model ENet \
--checkpoint /media/ding/Study/graduate/code/Efficient-Segmentation-Networks/checkpoint/paris/ENetbs16gpu1_train/model_91.pth
```