Pytorch实战语义分割（VOC2012）

杨利霞

$ v% g# r% Q' g& Y5 C6 d
& h5 \6 c, T+ }5 q6 z5 N  B! uPytorch实战语义分割（VOC2012）
* v# s$ ^+ K4 V3 H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。
' c+ z/ X* ?) ?! J

1 ]0 u: E" M8 U, E; |( l语义分割中图像有关狗、猫和背景的标签
! r+ i6 F% P. z+ [+ M5 ?0 D: i文章目录
7 ]1 p* B0 P4 F; M
; f9 F2 \- H' k2 W' a0 a& c/ @2 b& W1 图像分割和实例分割
) C+ y9 m. Y7 R7 z& R) [9 f2 Pascal VOC2012语义分割数据集
" F& E0 g& b" T& t) v8 e2.1 导入模块
2.2 下载数据集
: p9 q* v  Z& N2.3 可视化数据
% r& i. K% R" Z9 H. e/ W% f2.4 预处理数据
" T* N2 o: Y6 z! ?- V- k3 自定义数据集类
- l. v3 L( |' q5 t0 G: q3.1 数据集类
5 Z4 \/ M; [) k( L9 f/ a3.2 读取数据集
6 \; S6 o3 F* l' y; m- K, Z4 h4 构造模型
& k7 p  @8 v, x- z4 T' o4.1 预训练模型
4.2 修改成FCN
4.3 初始化转置卷积层
5 训练模型
8 ?3 @8 [2 [3 M$ j6 测试模型
6.1 通用型
6.2 不通用
  ~: [& {* M5 F: Z5 A, ]7 结语
1 图像分割和实例分割
7 J; z! _& J6 f3 a
' X. v" I1 M  t1 ~5 c9 Y- E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）：

% R" p# ?" g6 _, D$ X( J8 C5 D6 c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。
" j  ^, r% |; J3 [& ]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。

+ v  F' J5 }& }- n! H7 c  |! d; C, r2 Pascal VOC2012语义分割数据集
0 b9 f6 f; d( y$ n
2.1 导入模块
import time
4 r8 E; h8 [3 Y2 o, @import copy
1 g, T; Q( u9 L' h+ cimport torch
from torch import optim, nn
- n, X! y4 |! f" a6 D# c8 [import torch.nn.functional as F
import torchvision
from torchvision import transforms
from torchvision.models import resnet18
import numpy as np
from matplotlib import pyplot as plt
: Q& Y# U3 D/ D0 a) Z$ ffrom PIL import Image
import sys
sys.path.append("..")
from IPython import display
: V6 a8 R! J2 h8 ]1 Y8 o0 i5 m+ T1 Afrom tqdm import tqdm
' J4 ~7 R% E( A- {import warnings
warnings.filterwarnings("ignore")
3 p2 O7 a; e5 R) ^/ k
& u/ U) s, V4 r" d2.2 下载数据集

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：


ImageSets/Segmentation路径包含了指定训练和测试样本的文本文件
JPEGImages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。
1 {  Q8 Z" z% s/ E0 S! }$ c( w2.3 可视化数据
& v' |+ ?9 O  |" C1 h& u: ?/ Q$ L
定义read_voc_images函数将输入图像和标签读进内存。

def read_voc_images(root="../../data/VOCdevkit/VOC2012", is_train=True, max_num=None):
& {% f! y1 z0 C9 o: F( M2 \    txt_fname = '%s/ImageSets/Segmentation/%s' % (root, 'train.txt' if is_train else 'val.txt')
6 J# P( N; [4 N6 t$ v* z" P    with open(txt_fname, 'r') as f:
# ~! l/ K. M3 L        images = f.read().split() # 拆分成一个个名字组成list
    if max_num is not None:
: F, w" [& a: I( I        images = images[:min(max_num, len(images))]
7 c* v( y4 U  x( \    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
        features = Image.open('%s/JPEGImages/%s.jpg' % (root, fname)).convert("RGB")
& X- s" M) G  p: f& A' a* ?        labels = Image.open('%s/SegmentationClass/%s.png' % (root, fname)).convert("RGB")
    return features, labels # PIL image 0-255

定义可视化数据集的函数show_images

5 r4 z6 o" j% l6 T; W5 ~: y8 ~# 这个函数可以不需要
& u) x; ~/ t! A( Odef set_figsize(figsize=(3.5, 2.5)):
7 _  J: B, Y! s3 p    """在jupyter使用svg显示"""
2 r& U% j- l2 _    display.set_matplotlib_formats('svg')
    # 设置图的尺寸
6 U3 o, J0 |0 H6 C5 p; S' R    plt.rcParams['figure.figsize'] = figsize
+ |0 m/ E$ U" ~: S  H0 a8 M0 B
$ M! A5 i9 a  x. U7 D) m. [def show_images(imgs, num_rows, num_cols, scale=2):
& ]: p; e/ V( @$ J# }    # 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):
            axes[j].imshow(imgs[i * num_cols + j])
            axes[j].axes.get_xaxis().set_visible(False)
            axes[j].axes.get_yaxis().set_visible(False)
4 n- s. H# t- o% f. ^, M    plt.show()
5 N4 c& r7 y# ~3 T    return axes
) b+ R, W9 _/ n6 S6 H0 N' ]
定义可视化数据集的函数show_images。
4 z) N- F9 U9 h" b
% i# p4 R+ c" x" K# 这个函数可以不需要
def set_figsize(figsize=(3.5, 2.5)):
    """在jupyter使用svg显示"""
* X- B4 `3 B% o8 M: m. {* F& O/ c    display.set_matplotlib_formats('svg')
    # 设置图的尺寸
8 S6 D1 ^6 R+ t    plt.rcParams['figure.figsize'] = figsize
  i1 e3 }3 P4 Z
: x. M/ Y7 e: n7 \0 S) Mdef show_images(imgs, num_rows, num_cols, scale=2):
& j) v0 m$ l1 d3 h9 T: ~$ _    # a_img = np.asarray(imgs)
0 l& u! |& h' `: e7 Q    figsize = (num_cols * scale, num_rows * scale)
3 s# L; V0 s4 [    _, axes = plt.subplots(num_rows, num_cols, figsize=figsize)
    for i in range(num_rows):
        for j in range(num_cols):
            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 u. n- q5 n7 y    return axes
2 G# E7 E! [' Q4 V. `! G& ?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。
( @1 @; `, _. w! }4 x+ t
$ B0 m# ~6 E  ?) V, d- w: J# 根据自己存放数据集的路径修改voc_dir
voc_dir = r"[local]\VOCdevkit\VOC2012"
train_features, train_labels = read_voc_images(voc_dir, max_num=10)
n = 5 # 展示几张图像
imgs = train_features[0:n] + train_labels[0:n] # PIL image
show_images(imgs, 2, n)
2 I9 ~$ x6 x9 O$ z; G4 I


列出标签中每个RGB颜色的值及其标注的类别。
4 T4 q' f- f; z0 D7 F7 v# 标签中每个RGB颜色的值
VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
( b  w% ]  s  v1 L7 e                [0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
                [64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
3 d' i) J! e% v/ q4 s" N6 y                [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]]
1 F" p0 x5 {0 h2 }! `# 标签其标注的类别
) O0 B& ~3 b0 \2 M( L4 {VOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat',
  ^7 y1 W' Y7 X* A+ k" D8 C) J               'bottle', 'bus', 'car', 'cat', 'chair', 'cow',
               'diningtable', 'dog', 'horse', 'motorbike', 'person',
& d6 e  M( X: k, O6 n( ~               '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 。

4 P, M" H+ j- e4 s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 。
6 a) @* s& r% ~5 t- e" R& \colormap2label = torch.zeros(256**3, dtype=torch.uint8) # torch.Size([16777216])
, ?! s3 U6 \5 {for i, colormap in enumerate(VOC_COLORMAP):
" y7 l) P4 m5 {( f0 t1 e    # 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
; ^9 i0 F2 T6 S    colormap2label[(colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
# u3 ?0 Q. W6 k0 M9 S
# 构造标签矩阵
7 K6 T# D' C8 v5 }" U6 Y: Tdef voc_label_indices(colormap, colormap2label):
    colormap = np.array(colormap.convert("RGB")).astype('int32')
    idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256 + colormap[:, :, 2])
    return colormap2label[idx] # colormap 映射 到colormaplabel中计算的下标
( o* d6 z& r  ?# L1 a1 {( l1 d
可以打印一下结果

' j0 P5 O" ], b( H# I: y/ i% d; h" D$ X1 Sy = voc_label_indices(train_labels[0], colormap2label)
print(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
( ^* w3 G, }: Y' i5 n) e" t
) U: A/ Y! F, P1 w- Y( f2.4 预处理数据
* ]+ e+ }3 {& b
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。


def voc_rand_crop(feature, label, height, width):
0 a- W) ?, Y* q( {    """
    随机裁剪feature(PIL image) 和 label(PIL image).
9 L& m& c: R* |    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.
    Args:
        img (PIL Image): Image to be cropped.
        output_size (tuple): Expected output size of the crop.
    Returns:
' c# U! O3 N6 Y# W        tuple: params (i, j, h, w) to be passed to ``crop`` for random crop.
    """
  Z: _" O; Y, H    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)
! @0 u! [: l0 A% ~/ \    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):
3 s  E6 ~% m: g/ {: t    imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)
6 W& Y9 i" \9 Y/ @show_images(imgs[::2] + imgs[1::2], 2, n);
7 H3 }, [' o. e: g# i8 L: z

" M, X0 A7 h6 H4 Y& \5 n
1 I0 S0 i9 Q8 v; Y

4 r' Z6 a( _$ Q
" `6 \( v- p6 F& O( O( G* y8 g3 自定义数据集类

9 v! f$ q! q& ?7 T; E5 n3.1 数据集类
9 k3 C1 a2 U/ g+ ?  U1 P) C: q; V$ E
1 l' W& T& |0 k  P7 Ftorch.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
8 l1 y8 F+ C6 c6 T; O
__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)。
# _9 n6 P2 A$ z% C' l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。

class VOCSegDataset(torch.utils.data.Dataset):
( y" D1 l& h: z* f+ W/ I1 s; [    def __init__(self, is_train, crop_size, voc_dir, colormap2label, max_num=None):
        """
        crop_size: (h, w)
" f/ [, M* z9 p/ j; Y4 X        """
        # 对输入图像的RGB三个通道的值分别做标准化
# y1 l9 w/ G; B! u, d2 h5 r        self.rgb_mean = np.array([0.485, 0.456, 0.406])
        self.rgb_std = np.array([0.229, 0.224, 0.225])
        self.tsf = torchvision.transforms.Compose([
9 ]! a) m9 ]$ L" F5 Y9 r. w6 [            torchvision.transforms.ToTensor(),
            torchvision.transforms.Normalize(mean=self.rgb_mean, std=self.rgb_std)])
& X. q2 j) m, j, |3 t        self.crop_size = crop_size # (h, w)
* p  Q+ ^" f& P1 g9 F, o        features, labels = read_voc_images(root=voc_dir, is_train=is_train,  max_num=max_num)
# 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
4 j2 g+ y1 o% z0 ]        self.features = self.filter(features) # PIL image
7 X( e! L) u5 p1 L" t5 S8 |1 M        self.labels = self.filter(labels)     # PIL image
( Q/ T$ _, p: q& W. Q/ v        self.colormap2label = colormap2label
        print('read ' + str(len(self.features)) + ' valid examples')
+ o1 H5 i" H1 E
    def filter(self, imgs):
9 u: i  k. F- _; e        return [img for img in imgs if (
8 w& J) @1 l# o& X) f            img.size[1] >= self.crop_size[0] and img.size[0] >= self.crop_size[1])]
+ X5 [) j( ]8 W2 p2 o
0 K' J: M( p8 ^8 q/ g* w$ s( `    def __getitem__(self, idx):
2 U& _( D: g+ x( s        feature, label = voc_rand_crop(self.features[idx], self.labels[idx], *self.crop_size)
                                # float32 tensor           uint8 tensor (b,h,w)
4 f2 G1 t1 m7 M& ?" A8 ~        return (self.tsf(feature), voc_label_indices(label, self.colormap2label))

    def __len__(self):
2 Z" r+ Q/ R7 u: X7 D        return len(self.features)
, F0 J0 g) A6 p3.2 读取数据集

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​。

. i5 M# E% L& [! O! r; I( g8 kbatch_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）
" [- X: {, k3 O, [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
voc_train = VOCSegDataset(True, crop_size, voc_dir, colormap2label, max_num)
voc_test = VOCSegDataset(False, crop_size, voc_dir, colormap2label, max_num)

# 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
# N; E; b, U4 k* C4 l1 Ctrain_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
                              drop_last=True, num_workers=num_workers)
test_iter = torch.utils.data.DataLoader(voc_test, batch_size, drop_last=True,
, t; T, f6 I" a" w8 Y! s                             num_workers=num_workers)
% ^5 a! N, l3 G, Z
$ Y2 f1 I0 O* i# 方便封装，把训练集和验证集保存在dict里
7 E! r1 `  T, ]* ]8 Ldataloaders = {'train':train_iter, 'val':test_iter}
: I2 y: P0 V5 N, Rdataset_sizes = {'train':len(voc_train), 'val':len(voc_test)}

$ D( x, F6 W6 u7 x- k4 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')

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

# 特征提取器
% Q: O2 k% j# {- O" bfor param in model_ft.parameters():
! I: ]1 w4 d* m3 Y$ |/ d    param.requires_grad = False
: M. Y7 E% X" F$ I  N; |- |, i, g4.2 修改成FCN
5 n* _5 [8 A: z! }7 a4 l' e( K
3 z% U; d* [; [, T8 A4 C# ~' J5 K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。

0 ]$ d. Z  ?2 N& Y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。
: G) S8 g0 |0 Y8 i' A2 U
& ^7 ?- \" t$ I" D0 L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。

model_ft = nn.Sequential(*list(model_ft.children())[:-2], # 去掉最后两层
$ }. ~# q) T. U. g! I: X/ L2 r              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
              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

3 S0 l* L% N# p3 t' k+ z# 对model_ft做一个测试
x = 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])

# 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
. z7 h' u1 G& u# for X, Y in train_iter:
#     print(X.dtype, X.shape)
#     print(Y.dtype, Y.shape)
$ ~( l; n/ k+ ^: p+ q#     break
4 @! s& l9 y8 c4 E. D4 U$ m
/ L# p( D/ W6 }: R+ B; ^! V
4.3 初始化转置卷积层

; G# j' T( \1 }% b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
1 z8 N5 J9 q8 u' A( s4 ~- o) M/ Y2 b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。
# S5 V3 r& E4 A1 y  R* o" c  s# ]
+ X$ @" M$ }9 K' X! G, t
# 双线性插值的上采样，用来初始化转置卷积层的卷积核
# U8 U4 H, r! C# edef bilinear_kernel(in_channels, out_channels, kernel_size):
/ a& }' }/ l: |+ J3 d: W8 F  C. u    factor = (kernel_size+1)//2
    if kernel_size%2 == 1:
        center = factor-1
    else:
" N; Z1 K2 C, |, w; w- V4 N6 M        center = factor-0.5
4 t' b. n8 v1 U, Q    og = np.ogrid[:kernel_size, :kernel_size]
1 t  [, E6 Y; M! S' J! a3 T9 P    filt = (1-abs(og[0]-center)/factor) * (1-abs(og[1]-center)/factor)
$ W" g/ f+ ]  g' M    weight = np.zeros((in_channels,out_channels, kernel_size,kernel_size), dtype='float32')
    weight[range(in_channels), range(out_channels), :, :] = filt
. ~1 _4 j, D  _2 }+ r    weight = torch.Tensor(weight)
: H- t* H  F0 F* |/ o* q( H, ~- J4 K& Z    weight.requires_grad = True
) \+ ^( J. c6 F    return weight
0 b1 k: n8 _" _, _' s

+ c) Y8 ~) B1 k7 h: O. g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。
. W9 v! V6 S) V: K) R2 j( g. F8 T
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 p7 P) r( L1 _) z' q8 w5 x5 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()
9 q) L: U% a! r7 k- V9 n, ?+ t% v    best_model_wts = copy.deepcopy(model.state_dict())
    best_acc = 0.0
    # 每个epoch都有一个训练和验证阶段
    for epoch in range(num_epochs):
+ N' u# W3 z& g9 w" p        print('Epoch {}/{}'.format(epoch, num_epochs-1))
        print('-'*10)
, I+ i, [) C1 h5 i        for phase in ['train', 'val']:
            if phase == 'train':
+ k9 Z# |% b0 S- L5 H: g                scheduler.step()
                model.train()
+ R& R% ^; |/ i2 w& L9 y            else:
- t; w1 i3 T4 I- Z                model.eval()
            runing_loss = 0.0
5 P  R  ?5 d; C. B: w, E            runing_corrects = 0.0
            # 迭代一个epoch
3 r) y/ ?0 x! l/ A            for inputs, labels in dataloaders[phase]:
                inputs, labels = inputs.to(device), labels.to(device)
                optimizer.zero_grad() # 零参数梯度
/ t) z* o9 J. v% i                                # 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]
                    loss = criteon(logits, labels.long())
                    # 后向，只在训练阶段进行优化
                    if phase=='train':
( Q0 b# H9 g/ C5 ?8 R                        loss.backward()
                        optimizer.step()
                                # 统计loss和correct
$ m" L- F6 {- X0 a" ]6 f                runing_loss += loss.item()*inputs.size(0)
% d! I/ T+ {3 u3 M                runing_corrects += torch.sum((torch.argmax(logits.data,1))==labels.data)/(480*320)

9 N$ a# K5 i) A: K            epoch_loss = runing_loss / dataset_sizes[phase]
            epoch_acc = runing_corrects.double() / dataset_sizes[phase]
6 R  }1 t' {7 ?3 x/ @            print('{} Loss: {:.4f} Acc: {:.4f}'.format(phase, epoch_loss, epoch_acc))
. U# X. q: S7 J: @, H* m                        # 深度复制model参数
7 P1 z( s6 J, u5 k7 W+ H/ r! o            if phase=='val' and epoch_acc>best_acc:
                best_acc = epoch_acc
                best_model_wts = copy.deepcopy(model.state_dict())
- q$ R" S/ t3 ?# D# y+ C        print()
    time_elapsed = time.time() - since;
    print('Training complete in {:.0f}m {:.0f}s'.format(time_elapsed//60, time_elapsed%60))
! q* c4 d& n5 x* [    # 加载最佳模型权重
    model.load_state_dict(best_model_wts)
    return model

下面定义train_model要用到的参数，开始训练
3 W: ?) Y' S" F, i( ?
epochs = 5 # 训练5个epoch
criteon = nn.CrossEntropyLoss()
optimizer = optim.SGD(model_ft.parameters(), lr=0.001, weight_decay=1e-4, momentum=0.9)
: H0 \' x' {. D0 ?& ?1 N# 每3个epochs衰减LR通过设置gamma=0.1
6 K1 T! z$ X* w; N" s$ Q. G1 dexp_lr_scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=3, gamma=0.1)
: `5 {& ?* `1 N5 p# w
# 开始训练
model_ft = train_model(model_ft, criteon, optimizer, exp_lr_scheduler, num_epochs=epochs)
4 ~/ ]9 S* ^% ?
: P/ w. q( g! G: f- y6 D6 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]
    colormap = torch.tensor(VOC_COLORMAP,device=device,dtype=int)
6 F/ M" l  J6 D+ U& T    x = pred.long()
    return (colormap[x,:]).data.cpu().numpy()
  N& g! ?% p( j: c
$ r/ t" P8 `9 X

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):
- A& p1 q7 R  A7 `    was_training = model.training
    model.eval()
& i9 n! h+ t; M. E    images_so_far = 0
' Z, }5 ^1 \3 b0 D+ B2 l- c    n, imgs = num_images, []
! Y% }7 |6 N) |    with torch.no_grad():
        for i, (inputs, labels) in enumerate(dataloaders['val']):
$ p: y+ w' g: [6 a  W% G% N8 v5 i6 p            inputs, labels = inputs.to(device), labels.to(device) # [b,3,320,480]
7 l6 t' q/ \2 j! q! N7 {            outputs = model(inputs)
/ P2 F  [, ^2 A* v2 ]            pred = torch.argmax(outputs, dim=1) # [b,320,480]
            inputs_nd = (inputs*std+mean).permute(0,2,3,1)*255 # 记得要变回去哦
' h4 \/ R/ H( g: z: \+ T  S, S5 q
6 i3 D% ~3 w5 e5 c            for j in range(num_images):
/ }" Y; |) t5 y4 R; i; Y                images_so_far += 1
                pred1 = label2image(pred[j]) # numpy.ndarray (320, 480, 3)
' j2 i# `1 w$ i  A5 R                imgs += [inputs_nd[j].data.int().cpu().numpy(), pred1, label2image(labels[j])]
& p. r: i. N' \# C7 ~" `                if images_so_far == num_images:
) A( o8 X' V) @                    model.train(mode=was_training)
3 @' K$ [7 Q9 g6 M: H! _8 C. E' C                    # 我已经固定了每次只显示4张图了，大家可以自己修改
3 l! Y! v- D4 a' A- v, n                    show_images(imgs[::3] + imgs[1::3] + imgs[2::3], 3, n)
                    return model.train(mode=was_training)
( c: G1 x2 A) r# `2 m' J
# 开始验证
visualize_model(model_ft)
7 ~5 h# r6 J# I! m% M/ e7 y) Y6.2 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):
/ ^! x, N( e/ w: R    tsf = transforms.Compose([
  R/ ?6 a' C' m            transforms.ToTensor(), # 好像会自动转换channel
2 f9 m9 X+ \( a8 W! m: a            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)
! W2 h& K/ ^) y/ m3 p    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)

3 K, ]1 @2 n) V( ]def evaluate(model:nn.Module):
" I1 R/ N! c$ X" d; z/ L7 J( C    model.eval()
    test_images, test_labels = read_voc_images(voc_dir, is_train=False, max_num=10)
    n, imgs = 4, []
    for i in range(n):
        xi, yi = voc_rand_crop(test_images, test_labels, 320, 480) # Image
) ~/ P6 v1 F& q3 A( a$ g        pred = label2image(predict(xi, model))
        imgs += [xi, pred, yi]
    show_images(imgs[::3] + imgs[1::3] + imgs[2::3], 3, n)

# 开始测试
! B+ V6 z+ Z# s; a4 T7 A3 }evaluate(model_ft)
- h6 c7 [4 j) R
7 结语

我只训练了3个epoch，下面是训练输出

* h$ D% @" Q% z0 Y, b0 f5 q: ^Epoch 0/2
3 W8 j9 t) t: `, ?# q; H" {9 s----------
) ~8 A( W1 V0 o4 ztrain Loss: 1.7844 Acc: 0.5835
# k8 A' x  H# ~+ ^/ {1 r7 {val Loss: 1.1669 Acc: 0.6456
4 c/ q, q) s7 `' {5 p
# t6 _8 w( n% r4 S* S: H: F4 ^Epoch 1/2
----------
train Loss: 1.1288 Acc: 0.6535
val Loss: 0.9012 Acc: 0.6929
/ b& |8 V# N$ B9 w1 r* t- c
Epoch 2/2
: Q" [" T+ E' [$ k4 d  p----------
8 C" _  F. r) c; g+ z. s5 B$ qtrain Loss: 0.9578 Acc: 0.6706
" E# Z6 q8 X* V8 z! T$ `: eval Loss: 0.8088 Acc: 0.6948
, z0 R$ |/ m; s6 ?# S/ _; e1 `) ~
! _8 o- f3 n- ^+ b6 j# r& o4 ]0 O3 eTraining complete in 6m 37s

" L- O+ i9 T$ M$ I. H- J; A1 V
' J. B+ N! W1 k$ B+ d; `
2 S# z. o  H4 H
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​ %。
4 F, W' ]; b' m0 J) N1 e  d$ S
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。


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：
/ u5 J  G, i$ O8 J! L
Deeplab 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]
GCN 通过全局卷积网络改进语义分割[论文]
UperNet 统一感知解析
( b4 z3 _; y; N7 _+ aENet 用于实时语义分割的深度神经网络体系结构[论文]
U-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。
1 v8 T/ ?8 K  E还有（DUC，HDC）、PSPNet等。

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：
) |# d% j6 K7 k. I- I/ ]$ T
1 _  Z0 n1 w; k( lDice-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。
Focal 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。

7 {4 Y; k1 b  {) _, B* ^: Z4 T
6 O, Q+ E1 a( Q+ ?- q( ?

; V) K3 P9 }& y7 J& t8 X
————————————————
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。
2 `8 T% X6 u6 S! ]( A. Z4 @原文链接：https://blog.csdn.net/qq_43280818/article/details/105916507