Pytorch实战语义分割（VOC2012）

杨利霞

$ [% [0 z; }# r  O) ~
" |& K% c2 B# \/ n8 k, SPytorch实战语义分割（VOC2012）
1 n! t0 o2 V4 K9 ?& S# B本文参照了《动手深度学习》的9.9、9.10章节，原书使用的是 mxnet 框架，本文改成了pytorch代码。
语义分割（semantic segmentation）问题，它关注如何将图像分割成属于不同语义类别的区域。值得一提的是，这些语义区域的标注和预测都是像素级的。
+ c5 M- M" [: y4 ~2 ?+ U" ?
# G2 W: c. r2 f, ]7 i% K
语义分割中图像有关狗、猫和背景的标签
文章目录
! g" L4 d8 u6 V  F
1 图像分割和实例分割
3 o- o" p- `" I9 @( X" `- ~" b2 Pascal VOC2012语义分割数据集
2.1 导入模块
: O* h! X  o; {" m& J9 H, ~2.2 下载数据集
1 H1 ]6 k) q" Y% q8 C2.3 可视化数据
' |: X& W5 \: w1 }* S; q7 v6 H2.4 预处理数据
3 自定义数据集类
5 l  R" u. a5 @9 `% r- }* r, d3.1 数据集类
3.2 读取数据集
4 构造模型
4.1 预训练模型
4.2 修改成FCN
6 B, m" {- i: ^& [0 u* K4.3 初始化转置卷积层
/ r5 J. w; L. V# z5 训练模型
$ f* N1 z) J3 ?1 i5 S6 测试模型
( a2 j: |: h' V  t6.1 通用型
6.2 不通用
7 结语
1 图像分割和实例分割
% p; @( V& H! k7 e& o. T/ m
计算机视觉领域还有2个与语义分割相似的重要问题，即图像分割（image segmentation）和实例分割（instance segmentation）：
8 {  G3 J: `5 d
图像分割将图像分割成若干组成区域。这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。以上图的图像为输入，图像分割可能将狗分割成两个区域：一个覆盖以黑色为主的嘴巴和眼睛，而另一个覆盖以黄色为主的其余部分身体。
实例分割又叫同时检测并分割（simultaneous detection and segmentation）。它研究如何识别图像中各个目标实例的像素级区域。与语义分割有所不同，实例分割不仅需要区分语义，还要区分不同的目标实例。如果图像中有两只狗，实例分割需要区分像素属于这两只狗中的哪一只。

( g7 l6 s5 _" L1 b9 U+ E; w4 Z% I2 Pascal VOC2012语义分割数据集
8 A2 F0 @' |. j- V  f) T
% W' i, V; W! ]$ W2.1 导入模块
/ e0 T  U, u; O+ U& @, z% cimport time
3 _7 f* q1 \$ U9 m. G- ~8 Gimport copy
import torch
from torch import optim, nn
import torch.nn.functional as F
% y, y& p) f5 o* i# \import torchvision
5 m# i5 E% G2 a( c/ cfrom torchvision import transforms
from torchvision.models import resnet18
import numpy as np
( I3 j5 X; z! s. t* ?# R1 Cfrom matplotlib import pyplot as plt
from PIL import Image
import sys
sys.path.append("..")
7 V$ Q/ r2 v6 N, C6 e1 vfrom IPython import display
+ {% K- r! F0 I, qfrom tqdm import tqdm
import warnings
0 ]( o! j( G8 k$ o- L4 Rwarnings.filterwarnings("ignore")
! m# I. D+ ~$ J; ?- g+ p7 p
) s+ ]' |8 I. z$ F( c- U) a$ _2.2 下载数据集
7 d& y+ c' o* c
语义分割的一个重要数据集叫作Pascal VOC2012，点击下载这个数据集的压缩包，大小是2 GB左右，所以下载需要一定时间。下载后解压得到VOCdevkit/VOC2012文件夹，然后将其放置在data文件夹下，VOC2012文件目录是这样的：
1 i* K0 _& g8 [' {3 G+ O4 r
  ?/ @3 V& \. K4 f3 b
2 H# I# e# K6 M: f0 x; JImageSets/Segmentation路径包含了指定训练和测试样本的文本文件
( ]5 I! W8 o* a: |/ _$ R7 [6 WJPEGImages和SegmentationClass路径下分别包含了样本的输入图像和标签。这里的标签也是图像格式，其尺寸和它所标注的输入图像的尺寸相同。标签中颜色相同的像素属于同一个语义类别。
2.3 可视化数据

9 @; n8 f4 A( w6 k( I定义read_voc_images函数将输入图像和标签读进内存。
2 t2 d/ ^& e8 ]' E) K# w
7 S- Q7 K( w3 T; O, T/ wdef read_voc_images(root="../../data/VOCdevkit/VOC2012", is_train=True, max_num=None):
    txt_fname = '%s/ImageSets/Segmentation/%s' % (root, 'train.txt' if is_train else 'val.txt')
: a+ O) U" `6 R, L+ ?    with open(txt_fname, 'r') as f:
        images = f.read().split() # 拆分成一个个名字组成list
2 ?" V9 d7 Q9 z  v/ t# {! }, I    if max_num is not None:
3 T- w( ?) t) ]" l2 \# ?' y        images = images[:min(max_num, len(images))]
    features, labels = [None] * len(images), [None] * len(images)
    for i, fname in tqdm(enumerate(images)):
        # 读入数据并且转为RGB的 PIL image
* e% y4 E! y! Y$ P+ z3 k4 V4 F        features = Image.open('%s/JPEGImages/%s.jpg' % (root, fname)).convert("RGB")
' b5 U$ ^* U* O9 v% Q& W) Q        labels = Image.open('%s/SegmentationClass/%s.png' % (root, fname)).convert("RGB")
    return features, labels # PIL image 0-255
# w' v# b$ D; m" }( H' D
定义可视化数据集的函数show_images
( T9 A8 I7 u% Q' C
# 这个函数可以不需要
def set_figsize(figsize=(3.5, 2.5)):
    """在jupyter使用svg显示"""
    display.set_matplotlib_formats('svg')
( Y$ L5 x+ x) N6 Q* ^. Q    # 设置图的尺寸
    plt.rcParams['figure.figsize'] = figsize

" q2 M! F- a" g% a. fdef show_images(imgs, num_rows, num_cols, scale=2):
    # a_img = np.asarray(imgs)
    figsize = (num_cols * scale, num_rows * scale)
    _, axes = plt.subplots(num_rows, num_cols, figsize=figsize)
    for i in range(num_rows):
        for j in range(num_cols):
- k( V: e0 T" w- @+ _            axes[j].imshow(imgs[i * num_cols + j])
            axes[j].axes.get_xaxis().set_visible(False)
            axes[j].axes.get_yaxis().set_visible(False)
    plt.show()
* _3 `0 I7 I0 {3 ]+ Z    return axes
, \! L* B& Y0 K; _  B. b4 {
: ~' w0 }; Q9 ^/ o8 z, h定义可视化数据集的函数show_images。
, ?: p. Y9 l  y; Q- M& ^
# 这个函数可以不需要
0 F+ z5 s$ R5 g' [def set_figsize(figsize=(3.5, 2.5)):
    """在jupyter使用svg显示"""
2 D3 s  f9 ~" c" r7 ]    display.set_matplotlib_formats('svg')
/ N) U2 z2 A: T! U9 [4 ?/ u    # 设置图的尺寸
    plt.rcParams['figure.figsize'] = figsize
2 \: b2 A9 X# i5 ^
5 o3 N: M# u0 v% Udef show_images(imgs, num_rows, num_cols, scale=2):
+ d$ \2 }# ?7 Y$ M6 k    # a_img = np.asarray(imgs)
    figsize = (num_cols * scale, num_rows * scale)
    _, axes = plt.subplots(num_rows, num_cols, figsize=figsize)
$ g: _2 D  b. M! A( @/ S6 C8 K* f4 v4 Q    for i in range(num_rows):
9 w9 {$ X4 q# ^- G# v  a# b. W        for j in range(num_cols):
' Q5 P& x" O" w6 ]: t            axes[j].imshow(imgs[i * num_cols + j])
, I: O8 ?7 j: a            axes[j].axes.get_xaxis().set_visible(False)
            axes[j].axes.get_yaxis().set_visible(False)
    plt.show()
( J$ [" w% t% S9 S5 a4 |0 e: }; @    return axes
画出前5张输入图像和它们的标签。在标签图像中，白色和黑色分别代表边框和背景，而其他不同的颜色则对应不同的类别。

# 根据自己存放数据集的路径修改voc_dir
voc_dir = r"[local]\VOCdevkit\VOC2012"
  ]$ w: q$ Y& a: r" A' Mtrain_features, train_labels = read_voc_images(voc_dir, max_num=10)
7 u+ J- x& J+ G3 Xn = 5 # 展示几张图像
3 u1 c4 Q5 x. ^& r' ^imgs = train_features[0:n] + train_labels[0:n] # PIL image
1 J2 T6 `6 E; o: V8 l2 Vshow_images(imgs, 2, n)

! |. _, |$ l% U+ e9 [, N
* T$ k6 F' ]$ A% G
列出标签中每个RGB颜色的值及其标注的类别。
# 标签中每个RGB颜色的值
9 `! L$ G3 u6 Y) `7 v+ ?  m. V7 eVOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
6 M2 m9 d& F+ u* m# t                [0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
$ @' C/ ]1 [+ G) T2 w                [64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
4 ?0 }% j: C( d9 O9 E                [64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],
                [0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],
                [0, 64, 128]]
# 标签其标注的类别
$ p( a& M% d" @# g; s& WVOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat',
8 L# R! p% D  V5 H$ }! h               'bottle', 'bus', 'car', 'cat', 'chair', 'cow',
               'diningtable', 'dog', 'horse', 'motorbike', 'person',
               'potted plant', 'sheep', 'sofa', 'train', 'tv/monitor']
有了上面定义的两个常量以后，我们可以很容易地查找标签中每个像素的类别索引，voc_label_indices是根据colormap2label把标签里的 rgb 颜色对应上面的VOC_COLORMAP中的下标给取出来，当作 label 。
! W0 Z9 f/ F7 Z7 X, S( m
" T  R) Y8 W( H- K, }( U有了上面定义的两个常量以后，我们可以很容易地查找标签中每个像素的类别索引，voc_label_indices是根据colormap2label把标签里的 rgb 颜色对应上面的VOC_COLORMAP中的下标给取出来，当作 label 。
" i2 v& h; ?% V+ N4 O) b# M7 Ycolormap2label = torch.zeros(256**3, dtype=torch.uint8) # torch.Size([16777216])
2 |6 [% _4 C3 ^6 C' [$ W- ~for i, colormap in enumerate(VOC_COLORMAP):
& ^& M3 U" N  R( s! [( T    # 每个通道的进制是256，这样可以保证每个 rgb 对应一个下标 i
! f6 U" ?! X4 x6 ]    colormap2label[(colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
* v" P5 U1 l- e' k/ [2 R
# 构造标签矩阵
4 H6 w3 A9 r7 S4 F3 xdef voc_label_indices(colormap, colormap2label):
    colormap = np.array(colormap.convert("RGB")).astype('int32')
- l" z! J+ R: g. a# H8 k    idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256 + colormap[:, :, 2])
    return colormap2label[idx] # colormap 映射 到colormaplabel中计算的下标
1 W6 N# A: }' N, p' L4 |
, q: Y$ Q0 l  X可以打印一下结果

y = voc_label_indices(train_labels[0], colormap2label)
. \3 A% f2 r% {; i0 f. O3 Pprint(y[100:110, 130:140]) #打印结果是一个int型tensor，tensor中的每个元素i表示该像素的类别是VOC_CLASSES

4 S$ r/ {% y4 _: R2 R2.4 预处理数据

在语义分割里，如果使用缩放图像使其符合模型的输入形状的话，需要将预测的像素类别重新映射回原始尺寸的输入图像，这样的映射难以做到精确，尤其是在不同语义的分割区域。所以选择将图像裁剪成固定尺寸而不是缩放。具体来说，我们使用图像增广里的随机裁剪，并对输入图像和标签裁剪相同区域。

4 U; C: x& S# d  s' D
def voc_rand_crop(feature, label, height, width):
+ ]4 S, V2 d" B+ W    """
    随机裁剪feature(PIL image) 和 label(PIL image).
5 \% c5 k, n1 |) S& @    为了使裁剪的区域相同，不能直接使用RandomCrop，而要像下面这样做
    Get parameters for ``crop`` for a random crop.
# n7 G2 A. [2 T7 L, u    Args:
        img (PIL Image): Image to be cropped.
        output_size (tuple): Expected output size of the crop.
2 y' H& d. A' g2 W, e    Returns:
        tuple: params (i, j, h, w) to be passed to ``crop`` for random crop.
    """
    i,j,h,w = torchvision.transforms.RandomCrop.get_params(feature, output_size=(height, width))
    feature = torchvision.transforms.functional.crop(feature, i, j, h, w)
    label = torchvision.transforms.functional.crop(label, i, j, h, w)
    return feature, label

# 显示n张随机裁剪的图像和标签，前面的n是5
imgs = []
for _ in range(n):
) C8 X& V0 i2 {8 O    imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)
- `% R7 U; R0 k$ i; g, E0 A+ ushow_images(imgs[::2] + imgs[1::2], 2, n);
; n, ]3 z& e9 w
: p1 i* n0 y) h" V! ?4 N2 C
$ \$ C0 @2 |) T% h" Y! D4 M- i


, h! W/ C) y9 x6 v" M0 a
3 自定义数据集类

3.1 数据集类
8 A2 w# e$ o! u* W
torch.utils.data.Dataset是表示数据集的抽象类，因此自定义数据集应继承Dataset并覆盖以下方法

__len__ 实现 len(dataset) 返还数据集的尺寸。
__getitem__用来获取一些索引数据，例如 dataset[idx] 中的(idx)。
  T9 h5 {' ^% U4 T: Z由于数据集中有些图像的尺寸可能小于随机裁剪所指定的输出尺寸，这些样本需要通过自定义的filter函数所移除。此外，因为之后会用到预训练模型来做特征提取器，所以我们还对输入图像的 RGB 三个通道的值分别做标准化。

9 T3 f6 N, ~) G7 ?  |2 Kclass VOCSegDataset(torch.utils.data.Dataset):
/ o, Q: w; k/ |5 A% n2 R/ _8 ]5 r    def __init__(self, is_train, crop_size, voc_dir, colormap2label, max_num=None):
" ~+ ~$ z) _6 w- K7 ~& a  t        """
        crop_size: (h, w)
$ ^) P2 f+ u) D& O- O0 S2 o  `        """
        # 对输入图像的RGB三个通道的值分别做标准化
) ]5 |3 w$ C# Q( B        self.rgb_mean = np.array([0.485, 0.456, 0.406])
        self.rgb_std = np.array([0.229, 0.224, 0.225])
% S; a0 b! H& H+ u% x( r2 E        self.tsf = torchvision.transforms.Compose([
            torchvision.transforms.ToTensor(),
! q  J# v7 v0 c% `" t4 l1 y            torchvision.transforms.Normalize(mean=self.rgb_mean, std=self.rgb_std)])
# m7 x, g: p3 D( {# ?        self.crop_size = crop_size # (h, w)
/ m6 S3 c- x+ j5 t& b        features, labels = read_voc_images(root=voc_dir, is_train=is_train,  max_num=max_num)
* c8 j& P, f8 b  Q4 p* ~# 由于数据集中有些图像的尺寸可能小于随机裁剪所指定的输出尺寸，这些样本需要通过自定义的filter函数所移除
, Y+ t! `1 z1 H, V4 p        self.features = self.filter(features) # PIL image
        self.labels = self.filter(labels)     # PIL image
        self.colormap2label = colormap2label
- O7 b+ x+ C: u# Y3 o  z- T        print('read ' + str(len(self.features)) + ' valid examples')

    def filter(self, imgs):
        return [img for img in imgs if (
, T1 F5 \0 y/ q  }' r, Q5 i            img.size[1] >= self.crop_size[0] and img.size[0] >= self.crop_size[1])]
# e4 b: Z0 ^) K/ ^# ~$ w
    def __getitem__(self, idx):
2 C% z0 L: ~3 O# n, U        feature, label = voc_rand_crop(self.features[idx], self.labels[idx], *self.crop_size)
                                # float32 tensor           uint8 tensor (b,h,w)
0 z" a- h" H, V% a        return (self.tsf(feature), voc_label_indices(label, self.colormap2label))
2 Z* ~( T8 F5 c$ h" m6 e2 k
/ Q+ ]! C( `3 [, g$ }0 ]  `6 r    def __len__(self):
* f+ z: m9 u) ]* N        return len(self.features)
3.2 读取数据集
! I) W( \) ]! w6 W! K
通过自定义的VOCSegDataset类来分别创建训练集和测试集的实例。因为待会用的是全卷积网络，所以随机裁剪的输出图像的形状可以自己指定，这里指定为320×480​ 320\times 480​320×480​。

3 a9 K' o+ n( p4 T- Rbatch_size = 32 # 实际上我的小笔记本不允许我这么做！哭了（大家根据自己电脑内存改吧）
crop_size = (320, 480) # 指定随机裁剪的输出图像的形状为(320,480)
max_num = 20000 # 最多从本地读多少张图片，我指定的这个尺寸过滤完不合适的图像之后也就只有1175张~

# 创建训练集和测试集的实例
4 i. M$ j7 |& O5 kvoc_train = VOCSegDataset(True, crop_size, voc_dir, colormap2label, max_num)
voc_test = VOCSegDataset(False, crop_size, voc_dir, colormap2label, max_num)
- F  a  ^; T, U# g8 C
4 \9 C) Z0 b% R: K3 v0 ]0 \# 设批量大小为32，分别定义【训练集】和【测试集】的数据迭代器
num_workers = 0 if sys.platform.startswith('win32') else 4
train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
6 l# m2 w& d0 s3 U5 e# Z9 v                              drop_last=True, num_workers=num_workers)
test_iter = torch.utils.data.DataLoader(voc_test, batch_size, drop_last=True,
4 t* n0 `9 l7 q( l0 d( r* b                             num_workers=num_workers)
; D0 T7 i/ I7 H% ~& y( n" ~
# 方便封装，把训练集和验证集保存在dict里
% P) s& z) T- U7 l# w3 ?dataloaders = {'train':train_iter, 'val':test_iter}
dataset_sizes = {'train':len(voc_train), 'val':len(voc_test)}

% z/ Q, d* `8 Q; i9 g. x4 构造模型4.1 预训练模型

下⾯我们使⽤⼀个基于 ImageNet 数据集预训练的 ResNet-18 模型来抽取图像特征。

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

$ B8 _2 p, w# m! A; ?num_classes = 21 # 21分类，1个背景，20个物体
model_ft = resnet18(pretrained=True) # 设置True，表明要加载使用训练好的参数
: F6 T: z4 R5 f7 [" x8 a. _
# 特征提取器
9 |: I7 w/ e) t/ h6 D6 |7 K6 ~) F! t: ?for param in model_ft.parameters():
% z: q5 T9 B3 y! G. V    param.requires_grad = False
( y7 t; ^" x0 C6 h- j/ a9 n4.2 修改成FCN

全卷积⽹络（顾名思义全部都是卷积层）先使⽤卷积神经⽹络抽取图像特征，然后通过 1×1​ 1\times 1​1×1​ 卷积层将通道数变换为类别个数，最后通过转置卷积层将特征图的⾼和宽变换为输⼊图像的尺⼨。模型输出与输⼊图像的⾼和宽相同，并在空间位置上⼀⼀对应：
最终输出的通道包含了该空间位置像素的类别预测。
2 [1 [* c7 G/ P- J/ {$ |
4 H- v6 R+ F* Z; r* Z0 W, v0 f对于转置卷积层，如果步幅为 S​ S​S​、填充为 S/2​ S/2​S/2​ （假设为整数）、卷积核的⾼和宽为 2S​ 2S​2S​，转置卷积核将输⼊的⾼和宽分别放⼤ S​ S​S​ 倍。
5 W# F- V/ x  i
可以先打印model_ft，可见 ResNet-18 的最后两层分别是全局最⼤池化层GlobalAvgPool2D 和 全连接层。全卷积⽹络不需要使⽤这些层。通过测试，当输入图像的 size 是(batch,3,320,480) (batch,3,320,480)(batch,3,320,480) 时，通过除最后两层的预训练网络后输出的大小是 (batch,512,10,15) (batch,512,10,15)(batch,512,10,15)，也就是 feature featurefeature 的宽高比输入缩小了 32 3232 倍，只需要用转置卷积层将其放大 32 3232 倍即可。
. T  r! f) T0 ?- ?
% H, @) x/ D+ f* v, wmodel_ft = nn.Sequential(*list(model_ft.children())[:-2], # 去掉最后两层
              nn.Conv2d(512,num_classes,kernel_size=1), # 用大小为1的卷积层改变输出通道为num_class
2 f' _( |' g9 {- @) @              nn.ConvTranspose2d(num_classes,num_classes, kernel_size=64, padding=16, stride=32)).to(device) # 转置卷积层使图像变为输入图像的大小
' p" L2 f$ ]$ F7 p  Y
+ J. h$ ], |! Y% [' s, K# 对model_ft做一个测试
1 U4 G+ r- [5 px = torch.rand((2,3,320,480), device=device) # 构造随机的输入数据
print(net(x).shape) # 输出依然是 torch.Size([2, 21, 320, 480])

7 F; K0 p" R. |9 V  {# 打印第一个小批量的类型和形状。不同于图像分类和目标识别，这里的标签是一个三维数组
) u+ R: ?2 {4 E% R# for X, Y in train_iter:
#     print(X.dtype, X.shape)
#     print(Y.dtype, Y.shape)
$ ^# @4 R  w" l) A9 t' V* J) k#     break

) D2 Z+ Y/ X2 z" Z7 ?
4.3 初始化转置卷积层

/ }7 y; d0 g% |: R/ x) T在图像处理中，我们有时需要将图像放⼤，即上采样（upsample）。上采样的⽅法有很多，常⽤的有双线性插值。简单来说，为了得到输出图像
在坐标 (x,y) (x, y)(x,y)上的像素，先将该坐标映射到输⼊图像的坐标 (x',y') (x′, y′ )(x′,y′)。例如，根据输⼊与输出的尺⼨之⽐来映射。映射后的 x' x′x′ 和 y' y′y′ 通常是实数。然后，在输⼊图像上找到与坐标 (x',y') (x′, y′ )(x′,y′)最近的 4 44 个像素。最后，输出图像在坐标 (x,y) (x, y)(x,y)上的像素依据输⼊图像上这4 44个像素及其与 (x',y') (x′, y′ )(x′,y′)的相对距离来计算。双线性插值的上采样可以通过由以下bilinear_kernel函数构造的卷积核的转置卷积层来实现。

" E  ?, E) f% X$ f2 I, p* c$ f
: k6 `% a( p: n% R2 W. t& ?# @# 双线性插值的上采样，用来初始化转置卷积层的卷积核
def bilinear_kernel(in_channels, out_channels, kernel_size):
    factor = (kernel_size+1)//2
! ?- n# Z6 e& R    if kernel_size%2 == 1:
. [+ r$ [. q6 Q        center = factor-1
    else:
        center = factor-0.5
" z% @0 U9 S$ s8 s# Z& V    og = np.ogrid[:kernel_size, :kernel_size]
    filt = (1-abs(og[0]-center)/factor) * (1-abs(og[1]-center)/factor)
    weight = np.zeros((in_channels,out_channels, kernel_size,kernel_size), dtype='float32')
0 _5 L; J) \1 E+ w* H, J    weight[range(in_channels), range(out_channels), :, :] = filt
    weight = torch.Tensor(weight)
9 L2 W3 F9 P9 _) Q: m  Z    weight.requires_grad = True
    return weight


5 ~# u$ k) _& h' z6 r  M$ ?在全卷积⽹络中，将转置卷积层初始化为双线性插值的上采样。对于1×1 1\times 11×1卷积层，采⽤Xavier XavierXavier随机初始化。

nn.init.xavier_normal_(model_ft[-2].weight.data, gain=1)
model_ft[-1].weight.data = bilinear_kernel(num_classes, num_classes, 64).to(device)


0 M% s5 u# v: l+ o$ m
2 N7 d: K- u/ u5 训练模型

现在可以开始训练模型了。这⾥的损失函数和准确率计算与图像分类中的并没有本质上的不同。有一个 blog 我认为说的很详细，图也画得很好：https://blog.csdn.net/Fcc_bd_stars/article/details/105158215

def train_model(model:nn.Module, criterion, optimizer, scheduler, num_epochs=20):
    since = time.time()
4 }) ?& b$ d) j    best_model_wts = copy.deepcopy(model.state_dict())
    best_acc = 0.0
" M/ Z1 @& k  `: |$ `9 [3 T    # 每个epoch都有一个训练和验证阶段
    for epoch in range(num_epochs):
& [# J5 a/ u! r) n- V        print('Epoch {}/{}'.format(epoch, num_epochs-1))
5 Y5 v  ?% V! ?6 q& N0 ^' H& a9 Q        print('-'*10)
        for phase in ['train', 'val']:
: }. U( |' h" _: V  Y3 v            if phase == 'train':
& v/ f/ j* y8 |5 c* v7 J' \                scheduler.step()
                model.train()
4 S0 O5 M0 U, H5 Y0 V) A, z            else:
                model.eval()
, b+ ]8 R; V6 L1 c( b            runing_loss = 0.0
) Y" \1 X  o0 l6 c4 V5 E% I0 Y1 |            runing_corrects = 0.0
            # 迭代一个epoch
& s* \; h: j* L, X' ]( i6 E            for inputs, labels in dataloaders[phase]:
! a+ P* L/ x' t0 [4 G- c$ x1 u                inputs, labels = inputs.to(device), labels.to(device)
2 }  H  _  S+ V) t1 O2 B                optimizer.zero_grad() # 零参数梯度
! U( P2 F3 G, _! x' s+ D                                # 前向，只在训练时跟踪参数
                with torch.set_grad_enabled(phase=='train'):
                    logits = model(inputs)  # [5, 21, 320, 480]
7 n# B' ~- j- a& n8 @% ~                    loss = criteon(logits, labels.long())
                    # 后向，只在训练阶段进行优化
* K2 l7 X" i; `9 ~) [% \. x$ f                    if phase=='train':
' c( ^( s# U! N/ ^) p, d" y% U                        loss.backward()
  m' Q1 M" P. k, V. g4 I                        optimizer.step()
- z" }7 y% m8 T9 A" k                                # 统计loss和correct
                runing_loss += loss.item()*inputs.size(0)
                runing_corrects += torch.sum((torch.argmax(logits.data,1))==labels.data)/(480*320)

            epoch_loss = runing_loss / dataset_sizes[phase]
            epoch_acc = runing_corrects.double() / dataset_sizes[phase]
$ }& }: a# v! A            print('{} Loss: {:.4f} Acc: {:.4f}'.format(phase, epoch_loss, epoch_acc))
. V5 o' i) m4 P                        # 深度复制model参数
& k( h* A' y7 l1 \8 v6 Z8 ~, ^            if phase=='val' and epoch_acc>best_acc:
                best_acc = epoch_acc
% n" n- r+ I: B9 v4 x1 S                best_model_wts = copy.deepcopy(model.state_dict())
6 J" g3 q# F# L1 S, s        print()
/ f; H$ u: c  ~2 o- k/ O( \( y    time_elapsed = time.time() - since;
    print('Training complete in {:.0f}m {:.0f}s'.format(time_elapsed//60, time_elapsed%60))
    # 加载最佳模型权重
    model.load_state_dict(best_model_wts)
  L* I  C1 X( r9 i$ S    return model

; l/ V1 V% M$ [* m5 H4 Y9 S) [/ E下面定义train_model要用到的参数，开始训练

epochs = 5 # 训练5个epoch
* \6 ~1 n# J4 j- bcriteon = nn.CrossEntropyLoss()
optimizer = optim.SGD(model_ft.parameters(), lr=0.001, weight_decay=1e-4, momentum=0.9)
$ x9 n; [( l# j& z( Z) L# 每3个epochs衰减LR通过设置gamma=0.1
exp_lr_scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=3, gamma=0.1)
0 l5 \( V, r# A3 B+ F5 z! ]
# 开始训练
model_ft = train_model(model_ft, criteon, optimizer, exp_lr_scheduler, num_epochs=epochs)
; A9 J8 K; n1 y
) p6 F* z3 R+ l) L& x' o6 测试模型

为了可视化每个像素的预测类别，我们将预测类别映射回它们在数据集中的标注颜⾊。

def label2image(pred):
    # pred: [320,480]
3 z' h2 W3 }. ~- O8 c    colormap = torch.tensor(VOC_COLORMAP,device=device,dtype=int)
    x = pred.long()
    return (colormap[x,:]).data.cpu().numpy()

, }/ P! g$ L' ~/ N5 I

下面这里提供了两种测试形式

6.1 通用型

其实如果要用于测试其它数据集，也是要改动一下的 : ) 😃

mean=torch.tensor([0.485, 0.456, 0.406]).reshape(3,1,1).to(device)
std=torch.tensor([0.229, 0.224, 0.225]).reshape(3,1,1).to(device)
def visualize_model(model:nn.Module, num_images=4):
, ?6 Q; v4 A' v, f1 n    was_training = model.training
    model.eval()
8 F/ @2 F! K1 X. [    images_so_far = 0
    n, imgs = num_images, []
" B# r% v. x% h/ d3 g) H    with torch.no_grad():
        for i, (inputs, labels) in enumerate(dataloaders['val']):
            inputs, labels = inputs.to(device), labels.to(device) # [b,3,320,480]
            outputs = model(inputs)
" _0 k: z. E: O# r4 ]8 L" I1 t& M            pred = torch.argmax(outputs, dim=1) # [b,320,480]
; _" a( D* w( r6 W            inputs_nd = (inputs*std+mean).permute(0,2,3,1)*255 # 记得要变回去哦

( L- D3 ~0 Z0 k% X4 m            for j in range(num_images):
: r: r: ?- B# F& a: i                images_so_far += 1
5 A$ z  [  Q1 X& _  \                pred1 = label2image(pred[j]) # numpy.ndarray (320, 480, 3)
                imgs += [inputs_nd[j].data.int().cpu().numpy(), pred1, label2image(labels[j])]
                if images_so_far == num_images:
                    model.train(mode=was_training)
                    # 我已经固定了每次只显示4张图了，大家可以自己修改
8 Y# j9 l* N" W0 C* y, ~                    show_images(imgs[::3] + imgs[1::3] + imgs[2::3], 3, n)
                    return model.train(mode=was_training)

' G% K5 [- F  D. v: b# 开始验证
1 e+ [. u  ^  O* x0 y2 Ovisualize_model(model_ft)
: O6 U* V: ~/ Z6.2 不通用

在预测时，我们需要将输⼊图像在各个通道做标准化，并转成卷积神经⽹络所需要的四维输⼊格式。

# 预测前将图像标准化，并转换成(b,c,h,w)的tensor
def predict(img, model):
" E$ x6 O! _9 G) P4 T4 E    tsf = transforms.Compose([
            transforms.ToTensor(), # 好像会自动转换channel
; }: |* V  k3 a- L; _1 n; d9 [- Q            transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])
    x = tsf(img).unsqueeze(0).to(device) # (3,320,480) -> (1,3,320,480)
: @, s0 P' c# k* [3 C/ U) C( [    pred = torch.argmax(model(x), dim=1) # 每个通道选择概率最大的那个像素点 -> (1,320,480)
    return pred.reshape(pred.shape[1],pred.shape[2]) # reshape成(320,480)

def evaluate(model:nn.Module):
+ X8 L! h1 I; T6 p7 F# _3 g    model.eval()
    test_images, test_labels = read_voc_images(voc_dir, is_train=False, max_num=10)
% L! X$ j1 h( k5 o& t# v    n, imgs = 4, []
, e% `, h& [3 z3 ?, ^    for i in range(n):
) J8 W# x" L: v. u* D/ Z        xi, yi = voc_rand_crop(test_images, test_labels, 320, 480) # Image
1 B3 N; C1 ~  Q' o7 K& r        pred = label2image(predict(xi, model))
        imgs += [xi, pred, yi]
! E/ S& a& c# G$ g& |& s    show_images(imgs[::3] + imgs[1::3] + imgs[2::3], 3, n)
2 E2 _3 B4 n5 U8 v  p1 r5 G
# 开始测试
) W3 Q6 @$ ]0 n; {) h1 }, Pevaluate(model_ft)

7 结语

我只训练了3个epoch，下面是训练输出

Epoch 0/2
----------
! P# e$ H% J% x& V: x! Z  l9 jtrain Loss: 1.7844 Acc: 0.5835
val Loss: 1.1669 Acc: 0.6456
/ P$ M$ N  z% V% g5 u. [5 e
; X" g9 c) J4 a7 u0 D4 R3 F% J7 uEpoch 1/2
----------
train Loss: 1.1288 Acc: 0.6535
val Loss: 0.9012 Acc: 0.6929

/ L9 f) ]: }% E, r* _1 vEpoch 2/2
----------
train Loss: 0.9578 Acc: 0.6706
% d" Y* c6 R0 k) b* B! t5 l1 r+ cval Loss: 0.8088 Acc: 0.6948
6 o- d8 f9 m3 L( J
Training complete in 6m 37s


5 \% J2 `! K* |* {

; R3 n- T6 X; h0 E$ u9 l  {, P2 I当 epochs = 5 时，训练集的精度在 89 8989% 左右，测试集的精度可以达到 86​ 86​86​ %。
% S/ j9 N  |1 l
2 x3 Z6 ~1 _% N9 @  h# C/ B对于这个模型用 ResNet-50 作特征提取器会有更好的效果，不过训练的时间也会更长。还有超参数lr, weight_decay, momentum, step_size, gamma 以及1×1 1×11×1卷积层和转置卷积层的初始化方式也可以继续调。
2 {! U: K, h- h7 t# j7 S2 P( h

# b6 H. }6 _) |4 I3 K语义分割还有很多可用的模型，本文用的是 FCN，在其它一些模型上会有更好的表现：
. ?7 \. S! R( H  I& S
% e7 \9 O$ l! @* H! yDeeplab V3+ 具有可分离卷积的编码器/解码器，用于语义图像分割[论文]
/ z- B; H. s2 j  d6 Z* L9 }GCN 通过全局卷积网络改进语义分割[论文]
! X) F- L( b+ F# E0 QUperNet 统一感知解析
ENet 用于实时语义分割的深度神经网络体系结构[论文]
: K+ G8 \8 p6 o% l8 TU-Net 用于生物医学图像分割的卷积网络
SegNet 用于图像分段的深度卷积编码器-解码器架构。
还有（DUC，HDC）、PSPNet等。
! W  b# n. `$ @
! F4 E5 M' ^, s  a常用的语义分割数据集也有很多：Pascal VOC、CityScapes、ADE20K、COCO Stuff等。

对于损失函数，除了交叉熵误差，也可以用这些：
) h3 Q8 W9 F2 |- Q+ K0 {
Dice-Loss 可以测试两个样本之间的重叠度量，可以更好地反映训练目标，但该损失函数具有很强的非凸性，很难优化。
CE Dice loss Dice 损失与 CE 的总和，CE 提供了平滑的优化，而 Dice 损失则很好地表明了分割结果的质量。
* }/ g  i! n4 X) X. N7 \3 F$ eFocal Loss CE 的另一种版本，用于避免类别不平衡而降低了置信度的情况。
Lovasz Softmax 查看论文：Lovasz - softmax损失。

" ], v* y" K0 {: ?$ ]% t+ b

8 ~% w# E2 Z8 k% _6 H* n2 t2 r$ a
- S) i( y/ E/ A  u& B: ~2 j
————————————————
9 l" A- X. }% Y9 |+ E  h# _版权声明：本文为CSDN博主「小红不吃糖」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_43280818/article/details/105916507


7 x+ b- l6 k. X  ]0 z- b5 C* ?2 n