本文分享自华为云社区《全卷积网络（FCN）实战：使用FCN实现语义分割》，作者： AI 浩。
FCN 对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的 CNN 在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax 输出）不同，FCN 可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的 feature map 进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。下图是语义分割所采用的全卷积网络(FCN)的结构示意图：
传统的基于 CNN 的分割方法缺点？
传统的基于 CNN 的分割方法：为了对一个像素分类，使用该像素周围的一个图像块作为 CNN 的输入，用于训练与预测，这种方法主要有几个缺点：
1）存储开销大，例如，对每个像素使用 15 * 15 的图像块，然后不断滑动窗口，将图像块输入到 CNN 中进行类别判断，因此，需要的存储空间随滑动窗口的次数和大小急剧上升；
2）效率低下，相邻像素块基本上是重复的，针对每个像素块逐个计算卷积，这种计算有很大程度上的重复；
3）像素块的大小限制了感受区域的大小，通常像素块的大小比整幅图像的大小小很多，只能提取一些局部特征，从而导致分类性能受到限制。而全卷积网络(FCN)则是从抽象的特征中恢复出每个像素所属的类别。即从图像级别的分类进一步延伸到像素级别的分类。
FCN 改变了什么?
对于一般的分类 CNN 网络，如 VGG 和 Resnet，都会在网络的最后加入一些全连接层，经过 softmax 后就可以获得类别概率信息。但是这个概率信息是 1 维的，即只能标识整个图片的类别，不能标识每个像素点的类别，所以这种全连接方法不适用于图像分割。
而 FCN 提出可以把后面几个全连接都换成卷积，这样就可以获得一张 2 维的 feature map，后接 softmax 层获得每个像素点的分类信息，从而解决了分割问题，如图。
FCN 缺点
（1）得到的结果还是不够精细。进行 8 倍上采样虽然比 32 倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。（2）对各个像素进行分类，没有充分考虑像素与像素之间的关系。忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。
数据集
本例的数据集采用 PASCAL VOC 2012 数据集，它有二十个类别：
**Person:**person
Animal: bird, cat, cow, dog, horse, sheep
**Vehicle:**aeroplane, bicycle, boat, bus, car, motorbike, train
Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor
下载地址：The PASCAL Visual Object Classes Challenge 2012 (VOC2012) (http://ox.ac.uk)。
数据集的结构：
VOCdevkit └── VOC2012 ├── Annotations 所有的图像标注信息(XML文件) ├── ImageSets │ ├── Action 人的行为动作图像信息 │ ├── Layout 人的各个部位图像信息 │ │ │ ├── Main 目标检测分类图像信息 │ │ ├── train.txt 训练集(5717) │ │ ├── val.txt 验证集(5823) │ │ └── trainval.txt 训练集+验证集(11540) │ │ │ └── Segmentation 目标分割图像信息 │ ├── train.txt 训练集(1464) │ ├── val.txt 验证集(1449) │ └── trainval.txt 训练集+验证集(2913) │ ├── JPEGImages 所有图像文件 ├── SegmentationClass 语义分割png图（基于类别） └── SegmentationObject 实例分割png图（基于目标）
复制代码
数据集包含物体检测和语义分割，我们只需要语义分割的数据集，所以可以考虑把多余的图片删除，删除的思路：
1、获取所有图片的 name。
2、获取所有语义分割 mask 的 name。
3、求二者的差集，然后将差集的 name 删除。
代码如下：
import globimport osimage_all = glob.glob('data/VOCdevkit/VOC2012/JPEGImages/*.jpg')image_all_name = [image_file.replace('\\', '/').split('/')[-1].split('.')[0] for image_file in image_all]
image_SegmentationClass = glob.glob('data/VOCdevkit/VOC2012/SegmentationClass/*.png')image_se_name= [image_file.replace('\\', '/').split('/')[-1].split('.')[0] for image_file in image_SegmentationClass]image_other=list(set(image_all_name) - set(image_se_name))print(image_other)for image_name in image_other: os.remove('data/VOCdevkit/VOC2012/JPEGImages/{}.jpg'.format(image_name))
复制代码
代码链接
本例选用的代码来自deep-learning-for-image-processing/pytorch_segmentation/fcn at master · WZMIAOMIAO/deep-learning-for-image-processing (github.com)
其他的代码也有很多，这篇比较好理解！
其实还有个比较好的图像分割库：https://github.com/qubvel/segmentation_models.pytorch
这个图像分割集合由俄罗斯的程序员小哥 Pavel Yakubovskiy 一手打造。在后面的文章，我也会使用这个库演示。
项目结构
├── src: 模型的backbone以及FCN的搭建├── train_utils: 训练、验证以及多GPU训练相关模块├── my_dataset.py: 自定义dataset用于读取VOC数据集├── train.py: 以fcn_resnet50(这里使用了Dilated/Atrous Convolution)进行训练├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试├── validation.py: 利用训练好的权重验证/测试数据的mIoU等指标，并生成record_mAP.txt文件└── pascal_voc_classes.json: pascal_voc标签文件
复制代码
由于代码很多不能一一讲解，所以，接下来对重要的代码做剖析。
自定义数据集读取
my_dataset.py 自定义数据读取的方法，代码如下：
import osimport torch.utils.data as datafrom PIL import Image
class VOCSegmentation(data.Dataset): def __init__(self, voc_root, year="2012", transforms=None, txt_name: str = "train.txt"): super(VOCSegmentation, self).__init__() assert year in ["2007", "2012"], "year must be in ['2007', '2012']" root = os.path.join(voc_root, "VOCdevkit", f"VOC{year}") root=root.replace('\\','/') assert os.path.exists(root), "path '{}' does not exist.".format(root) image_dir = os.path.join(root, 'JPEGImages') mask_dir = os.path.join(root, 'SegmentationClass')
txt_path = os.path.join(root, "ImageSets", "Segmentation", txt_name) txt_path=txt_path.replace('\\','/') assert os.path.exists(txt_path), "file '{}' does not exist.".format(txt_path) with open(os.path.join(txt_path), "r") as f: file_names = [x.strip() for x in f.readlines() if len(x.strip()) > 0]
self.images = [os.path.join(image_dir, x + ".jpg") for x in file_names] self.masks = [os.path.join(mask_dir, x + ".png") for x in file_names] assert (len(self.images) == len(self.masks)) self.transforms = transforms
复制代码
导入需要的包。
定义 VOC 数据集读取类 VOCSegmentation。在 init 方法中，核心是读取 image 列表和 mask 列表。
def __getitem__(self, index): img = Image.open(self.images[index]).convert('RGB') target = Image.open(self.masks[index])
if self.transforms is not None: img, target = self.transforms(img, target) return img, target
复制代码
__getitem__方法是获取单张图片和图片对应的 mask，然后对其做数据增强。
def collate_fn(batch): images, targets = list(zip(*batch)) batched_imgs = cat_list(images, fill_value=0) batched_targets = cat_list(targets, fill_value=255) return batched_imgs, batched_targets
复制代码
collate_fn 方法是对一个 batch 中数据调用 cat_list 做数据对齐。
在 train.py 中 torch.utils.data.DataLoader 调用
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, num_workers=num_workers, shuffle=True, pin_memory=True, collate_fn=train_dataset.collate_fn) val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=1, num_workers=num_workers, pin_memory=True, collate_fn=val_dataset.collate_fn)
复制代码
训练
重要参数
打开 train.py,我们先认识一下重要的参数：
def parse_args(): import argparse parser = argparse.ArgumentParser(description="pytorch fcn training") # 数据集的根目录(VOCdevkit)所在的文件夹 parser.add_argument("--data-path", default="data/", help="VOCdevkit root") parser.add_argument("--num-classes", default=20, type=int) parser.add_argument("--aux", default=True, type=bool, help="auxilier loss") parser.add_argument("--device", default="cuda", help="training device") parser.add_argument("-b", "--batch-size", default=32, type=int) parser.add_argument("--epochs", default=30, type=int, metavar="N", help="number of total epochs to train")
parser.add_argument('--lr', default=0.0001, type=float, help='initial learning rate') parser.add_argument('--momentum', default=0.9, type=float, metavar='M', help='momentum') parser.add_argument('--wd', '--weight-decay', default=1e-4, type=float, metavar='W', help='weight decay (default: 1e-4)', dest='weight_decay') parser.add_argument('--print-freq', default=10, type=int, help='print frequency') parser.add_argument('--resume', default='', help='resume from checkpoint') parser.add_argument('--start-epoch', default=0, type=int, metavar='N', help='start epoch') # 是否使用混合精度训练 parser.add_argument("--amp", default=False, type=bool, help="Use torch.cuda.amp for mixed precision training")
args = parser.parse_args()
return args
复制代码
data-path：定义数据集的根目录(VOCdevkit)所在的文件夹
num-classes：检测目标类别数(不包含背景)。
aux：是否使用 aux_classifier。
device：使用 cpu 还是 gpu 训练，默认是 cuda。
batch-size：BatchSize 设置。
epochs：epoch 的个数。
lr：学习率。
resume：继续训练时候，选择用的模型。
start-epoch：起始的 epoch，针对再次训练时，可以不需要从 0 开始。
amp：是否使用 torch 的自动混合精度训练。
数据增强
增强调用 transforms.py 中的方法。
训练集的增强如下：
class SegmentationPresetTrain: def __init__(self, base_size, crop_size, hflip_prob=0.5, mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)): # 随机Resize的最小尺寸 min_size = int(0.5 * base_size) # 随机Resize的最大尺寸 max_size = int(2.0 * base_size) # 随机Resize增强。 trans = [T.RandomResize(min_size, max_size)] if hflip_prob > 0: #随机水平翻转 trans.append(T.RandomHorizontalFlip(hflip_prob)) trans.extend([ #随机裁剪 T.RandomCrop(crop_size), T.ToTensor(), T.Normalize(mean=mean, std=std), ]) self.transforms = T.Compose(trans)
def __call__(self, img, target): return self.transforms(img, target)
复制代码
训练集增强，包括随机 Resize、随机水平翻转、随即裁剪。
验证集增强：
class SegmentationPresetEval: def __init__(self, base_size, mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)): self.transforms = T.Compose([ T.RandomResize(base_size, base_size), T.ToTensor(), T.Normalize(mean=mean, std=std), ])
def __call__(self, img, target): return self.transforms(img, target)
复制代码
验证集的增强比较简单，只有随机 Resize。
Main 方法
对 Main 方法，我做了一些修改，修改的代码如下：
#定义模型，并加载预训练 model = fcn_resnet50(pretrained=True) # 默认classes是21,如果不是21，则要修改类别。 if num_classes != 21: model.classifier[4] = torch.nn.Conv2d(512, num_classes, kernel_size=(1, 1), stride=(1, 1)) model.aux_classifier[4] = torch.nn.Conv2d(256, num_classes, kernel_size=(1, 1), stride=(1, 1)) print(model) model.to(device) # 如果有多张显卡，则使用多张显卡 if torch.cuda.device_count() > 1: print("Let's use", torch.cuda.device_count(), "GPUs!") model = torch.nn.DataParallel(model)
复制代码
模型，我改为 pytorch 官方的模型了，如果能使用官方的模型尽量使用官方的模型。
默认类别是 21，如果不是 21，则要修改类别。
检测系统中是否有多张卡，如果有多张卡则使用多张卡不能浪费资源。
如果不想使用所有的卡，而是指定其中的几张卡，可以使用：
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'
复制代码
也可以在 DataParallel 方法中设定：
model = torch.nn.DataParallel(model,device_ids=[0,1])
复制代码
如果使用了多显卡，再使用模型的参数就需要改为http://model.module.xxx，例如：
params = [p for p in model.module.aux_classifier.parameters() if p.requires_grad] params_to_optimize.append({"params": params, "lr": args.lr * 10})
复制代码
上面的都完成了就可以开始训练了，如下图：
测试
在开始测试之前，我们还要获取到调色板，新建脚本 get_palette.py，代码如下：
import jsonimport numpy as npfrom PIL import Image# 读取mask标签target = Image.open("./2007_001288.png")# 获取调色板palette = target.getpalette()
palette = np.reshape(palette, (-1, 3)).tolist()print(palette)# 转换成字典子形式pd = dict((i, color) for i, color in enumerate(palette))
json_str = json.dumps(pd)with open("palette.json", "w") as f: f.write(json_str)
复制代码
选取一张 mask，然后使用 getpalette 方法获取，然后将其转为字典的格式保存。
接下来，开始预测部分，新建 predict.py,插入以下代码：
import osimport timeimport jsonimport torchfrom torchvision import transformsimport numpy as npfrom PIL import Imagefrom torchvision.models.segmentation import fcn_resnet50
复制代码
导入程序需要的包文件，然在 mian 方法中：
def main(): aux = False # inference time not need aux_classifier classes = 20 weights_path = "./save_weights/model_5.pth" img_path = "./2007_000123.jpg" palette_path = "./palette.json" assert os.path.exists(weights_path), f"weights {weights_path} not found." assert os.path.exists(img_path), f"image {img_path} not found." assert os.path.exists(palette_path), f"palette {palette_path} not found." with open(palette_path, "rb") as f: pallette_dict = json.load(f) pallette = [] for v in pallette_dict.values(): pallette += v
复制代码
接下来，是加载模型，单显卡训练出来的模型和多显卡训练出来的模型加载有区别，我们先看单显卡训练出来的模型如何加载。
model = fcn_resnet50(num_classes=classes+1) print(model) # 单显卡训练出来的模型，加载 # delete weights about aux_classifier weights_dict = torch.load(weights_path, map_location='cpu')['model'] for k in list(weights_dict.keys()): if "aux_classifier" in k: del weights_dict[k]
# load weights model.load_state_dict(weights_dict) model.to(device)
复制代码
定义模型 fcn_resnet50，num_classes 设置为类别+1（背景）
加载训练好的模型，并将 aux_classifier 删除。
然后加载权重。
再看多显卡的模型如何加载
# create model model = fcn_resnet50(num_classes=classes+1) model = torch.nn.DataParallel(model) # delete weights about aux_classifier weights_dict = torch.load(weights_path, map_location='cpu')['model'] print(weights_dict) for k in list(weights_dict.keys()): if "aux_classifier" in k: del weights_dict[k] # load weights model.load_state_dict(weights_dict) model=model.module model.to(device)
复制代码
定义模型 fcn_resnet50，num_classes 设置为类别+1（背景），将模型放入 DataParallel 类中。
加载训练好的模型，并将 aux_classifier 删除。
加载权重。
执行 torch.nn.DataParallel(model)时，model 被放在了 model.module，所以 model.module 才真正需要的模型。所以我们在这里将 model.module 赋值给 model。
接下来是图像数据的处理
# load image original_img = Image.open(img_path)
# from pil image to tensor and normalize data_transform = transforms.Compose([transforms.Resize(520), transforms.ToTensor(), transforms.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))]) img = data_transform(original_img) # expand batch dimension img = torch.unsqueeze(img, dim=0)
复制代码
加载图像。
对图像做 Resize、标准化、归一化处理。
使用 torch.unsqueeze 增加一个维度。
完成图像的处理后，就可以开始预测了。
model.eval() # 进入验证模式 with torch.no_grad(): # init model img_height, img_width = img.shape[-2:] init_img = torch.zeros((1, 3, img_height, img_width), device=device) model(init_img)
t_start = time_synchronized() output = model(img.to(device)) t_end = time_synchronized() print("inference+NMS time: {}".format(t_end - t_start))
prediction = output['out'].argmax(1).squeeze(0) prediction = prediction.to("cpu").numpy().astype(np.uint8) np.set_printoptions(threshold=sys.maxsize) print(prediction.shape) mask = Image.fromarray(prediction) mask.putpalette(pallette) mask.save("test_result.png")
复制代码
将预测后的结果保存到 test_result.png 中。查看运行结果：
原图：
结果：
打印出来的数据：
类别列表：
{ "aeroplane": 1, "bicycle": 2, "bird": 3, "boat": 4, "bottle": 5, "bus": 6, "car": 7, "cat": 8, "chair": 9, "cow": 10, "diningtable": 11, "dog": 12, "horse": 13, "motorbike": 14, "person": 15, "pottedplant": 16, "sheep": 17, "sofa": 18, "train": 19, "tvmonitor": 20}
复制代码
从结果来看，已经预测出来图像上的类别是“train”。
总结
这篇文章的核心内容是讲解如何使用 FCN 实现图像的语义分割。
在文章的开始，我们讲了一些 FCN 的结构和优缺点。然后，讲解了如何读取数据集。接下来，告诉大家如何实现训练。最后，是测试以及结果展示。希望本文能给大家带来帮助。
完整代码：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/83778007
点击关注，第一时间了解华为云新鲜技术~
评论