# 图像分割：从 PaddleLabel 到 PaddleSeg PaddleLabel 标注数据+PaddleSeg 训练预测=快速完成一次图像分割的任务 --- ## 1. 数据准备 - 首先使用`PaddleLabel`对自制的狗子数据集进行标注，其次使用`Split Dataset`功能分割数据集，最后导出数据集 - 从`PaddleLabel`导出后的内容全部放到自己的建立的文件夹下，例如`dog_seg_dataset`，其目录结构如下： ``` ├── dog_seg_dataset │ ├── Annotations │ ├── JPEGImages │ ├── labels.txt │ ├── test_list.txt │ ├── train_list.txt │ ├── val_list.txt ``` ## 2. 训练 ### 2.1 安装必备的库 **2.1.1 安装 paddlepaddle** ``` # 您的机器安装的是 CUDA9 或 CUDA10，请运行以下命令安装 pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple # 您的机器是CPU，请运行以下命令安装 # pip install paddlepaddle ``` **2.1.2 安装 paddleseg 以及依赖项** ``` git clone https://gitee.com/paddlepaddle/PaddleSeg.git cd PaddleSeg pip install -r requirements.txt python setup.py install ``` ### 2.2 准备自制的狗子分割数据集 ``` cd ./PaddleSeg/data/ mkdir dog_seg_dataset cd ../../ cp -r ./dog_seg_dataset/* ./PaddleSeg/data/dog_seg_dataset ``` ### 2.3 修改配置文件 这里改了`FCN`模型的配置文件，改完后拷贝了一份放置到了`configs`目录下并重命名为`mynet.yml`，关于自定义数据集的配置可以参考`PaddleSeg`在`GitHub`上的说明[配置文件说明](https://gitee.com/paddlepaddle/PaddleSeg/blob/release/2.4/docs/design/use/use_cn.md) > PaddleSeg/configs/mynet.yml ``` batch_size: 4 # 迭代一次送入网络的图片数量 iters: 10000 # 模型迭代次数 train_dataset: type: Dataset # 数据集格式，自定义数据集用Dataset dataset_root: ../data/dog_seg_dataset # 训练数据集存放的目录 train_path: ../data/dog_seg_dataset/train_list.txt num_classes: 2 # 像素类别数（背景也算为一类 transforms: # 数据变换与数据增强 - type: ResizeStepScaling # 对图像按照某一个比例进行缩放，这个比例以scale_step_size为步长 min_scale_factor: 0.5 # 缩放过程中涉及的参数 max_scale_factor: 2.0 scale_step_size: 0.25 - type: RandomPaddingCrop # 对图像和标注图进行随机裁剪 crop_size: [512, 512] - type: RandomHorizontalFlip # 以一定的概率对图像进行水平翻转 - type: RandomDistort # 对图像像素进行处理 brightness_range: 0.4 contrast_range: 0.4 saturation_range: 0.4 - type: Normalize # 对图像进行标准化 mode: train # 训练模式 val_dataset: type: Dataset dataset_root: ../data/dog_seg_dataset # 验证数据集存放的目录 val_path: ../data/dog_seg_dataset/val_list.txt transforms: - type: Normalize mode: val # 验证模式 num_classes: 2 optimizer: # 设定优化器的类型 type: sgd # 随机梯度下降 momentum: 0.9 # 动量 weight_decay: 0.0005 # 权值衰减，使用的目的是防止过拟合 lr_scheduler: # 学习率的相关设置 type: PolynomialDecay # 一种学习率类型。共支持12种策略 learning_rate: 0.01 power: 0.9 end_lr: 0 loss: # 损失函数设置 types: - type: CrossEntropyLoss # 交叉熵损失函数 coef: [1] # 当使用了多种损失函数，可在 coef 中为每种损失指定配比 model: # 使用何种语义分割模型 type: FCN backbone: # 使用何种骨干网络 type: HRNet_W48 pretrained: https://bj.bcebos.com/paddleseg/dygraph/hrnet_w48_ssld.tar.gz # 预训练模型 num_classes: 2 pretrained: Null backbone_indices: [-1] ``` ### 2.4 开始训练 ``` export CUDA_VISIBLE_DEVICES=0 # 开始训练 # 边训练边测试 # --config 参数表示指定使用哪个配置文件 # --do_eval 参数表示一遍训练一遍验证 # --save_interval 参数表示每经过100个iters，进行一个模型的保存 python PaddleSeg/tools/train.py \ --config PaddleSeg/configs/mynet.yml \ --do_eval \ --use_vdl \ --save_interval 100 \ --save_dir PaddleSeg/output ``` ## 3. 模型评估 ### 3.1 评估 ``` # 评估 默认使用训练过程中保存的model_final.pdparams python PaddleSeg/val.py \ --config PaddleSeg/configs/mynet.yml \ --model_path PaddleSeg/output/best_model/model.pdparams ``` ### 3.2 预测 ``` # image_path参数表示选择预测的图片 # save_dir参数表示预测保存的结果地址 python PaddleSeg/predict.py \ --config PaddleSeg/configs/mynet.yml \ --model_path PaddleSeg/output/best_model/model.pdparams \ --image_path PaddleSeg/data/dog_seg_dataset/JPEGImages/e619b17a9c1b9f085dc2712eb603171f.jpeg \ --save_dir PaddleSeg/output/result ``` 预测的原图是`data/dog_seg_dataset/JPEGImages/e619b17a9c1b9f085dc2712eb603171f.jpeg` 预测的结果`PaddleSeg/output/result`目录里面，如下图所示： ## AI Studio 第三方教程推荐 [快速体验演示案例](https://aistudio.baidu.com/aistudio/projectdetail/4353528)