利用paddleseg训练自己的数据集

Github开源地址，内有数据集设置规则。

参考博客：docs/whole_process_cn.md · PaddlePaddle/PaddleSeg - Gitee.com

开源数据集：

https://paddleseg.bj.bcebos.com/dataset/optic_disc_seg.zip

目录

 1.环境安装

2. 配置数据集

2.1 打开项目后，界面如图 

2.2 对于数据集的修改脚本都在tools中

 2.2.1 tools中工具说明

2.3 整理数据

 2.4 切分数据

3.准备配置文件

4.模型训练

 1.单卡训练

2.恢复训练

3.加载预训练模型 

6.训练可视化

7.模型预测

8.模型导出(2步导出）

9.二次开发 

---

 1.环境安装

参考官方安装文档

2. 配置数据集

2.1 打开项目后，界面如图 

2.2 对于数据集的修改脚本都在tools中

这里paddleseg既支持灰度图也支持伪彩色图

通常我们数据集二值化后为像素值为0 255这里伪彩色标注图像素为 0 1归一化，如果有2类就是0 1 如果有3类就是0 1 2  以此类推（这一步很重要）

 如果使用0 255 进行训练就会出现如下情况

而且loss很快会变为0

 2.2.1 tools中工具说明

1） 灰度标注图转换为伪彩色标注图 （非必须）

python tools/gray2pseudo_color.py <dir_or_file> <output_dir>

 

脚本使用方法，以下类似

在此文件目录下cmd，将路径替换掉，绝对路径即可中间空格隔开

 如果仅希望将指定数据集中的部分灰度标注图转换为伪彩色标注图，则执行以下命令。

python tools/gray2pseudo_color.py <dir_or_file> <output_dir> --dataset_dir <dataset directory> --file_separator <file list separator>

 

2.3 整理数据

 数据格式如下，图片要求24深度jpg格式，标签要求8深度png格式，分类为几项则从0到几

 2.4 切分数据

对于所有原始图像和标注图像，需要按照比例划分为训练集、验证集、测试集。

PaddleSeg提供了切分数据并生成文件列表的脚本

split_dataset_list.py

此代码为默认比例7 ：3 :1 

python tools/split_dataset_list.py <dataset_root> <images_dir_name> <labels_dir_name> ${FLAGS}

 参数说明：

• dataset_root: 数据集根目录
• images_dir_name: 原始图像目录名
• labels_dir_name: 标注图像目录名

 使用示例：

python tools/split_dataset_list.py <dataset_root> images annotations --split 0.6 0.2 0.2 --format jpg png

 切分完成后将生成3个或者2个txt文件

这里的lables.txt为分类种类数如图 ，需要自行设置 

 

这里也可以使用这个切分方法，无需使用脚本。

至此，数据集准备完毕

3.准备配置文件

配置文件均位于configs中，建议自己建一个文件夹，需要哪个模型复制哪个

建议将所有需要的配置复制到一个中，避免重复

 

避免这种情况，还要去_base_中再去找

配置文件说明说的非常清楚

4.模型训练

 1.单卡训练

准备好配置文件后，在PaddleSeg根目录下执行如下命令，使用train.py脚本进行单卡模型训练

export CUDA_VISIBLE_DEVICES=0 # 设置1张可用的卡
 
**windows下请执行以下命令**
**set CUDA_VISIBLE_DEVICES=0**
python train.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --save_interval 500 \
       --do_eval \
       --use_vdl \
       --save_dir output

 在pycharm中train下右击

上述训练命令解释：

• --config指定配置文件。
• --save_interval指定每训练特定轮数后，就进行一次模型保存或者评估（如果开启模型评估）。
• --do_eval开启模型评估。具体而言，在训练save_interval指定的轮数后，会进行模型评估。
• --use_vdl开启写入VisualDL日志信息，用于VisualDL可视化训练过程。
• --save_dir指定模型和visualdl日志文件的保存根路径。

train.py文件说明

2.恢复训练

 添加一行resume_model 选择保存的iter

python train.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --resume_model output/iter_500 \
       --do_eval \
       --use_vdl \
       --save_interval 500 \
       --save_dir output

3.加载预训练模型 

将config中model中的pretrained配置为自己训练的模型即可

6.训练可视化

官方文档

1.首先安装visualdl

pip install --upgrade --pre visualdl

2.输入命令 ,需要存在log文件

visualdl --logdir ./log --port 8080
 
# 或者写在自己的文件夹
visualdl --logdir ./output/fcnclass3 --port 8080

 

7.模型预测

在predict.py中将此代码放入

其中image_path可以是一个图片路径，也可以是一个目录。如果是一个目录，将对目录内的所有图片进行预测并保存可视化结果图。

同样的，可以通过--aug_pred开启多尺度翻转预测， --is_slide开启滑窗预测。

python predict.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --model_path output/best_model/model.pdparams \
       --image_path data/optic_disc_seg/JPEGImages/H0002.jpg \
       --save_dir output/result

8.模型导出(2步导出）

（1）在export.py中输入如下命令，将模型转为静态

python export.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --model_path output/best_model/model.pdparams \
       --save_dir output/infer_model
        --input_shape 1 3 512 512

会生成4个文件如图

 

output/infer_model
  ├── deploy.yaml            # 部署相关的配置文件
  ├── model.pdiparams        # 静态图模型参数
  ├── model.pdiparams.info   # 参数额外信息，一般无需关注
  └── model.pdmodel          # 静态图模型文件，可以使用netron软件进行可视化查看

(2).利用onnxruntime转为.onnx格式

需要安装onnxruntime库

# 安装cpu版本
pip install onnxruntime
 
# 安装gpu版本
pip install onnxruntime-gpu

利用pycharm或者cmd都可以在终端输入，需要在中间添加空格，进入paddle环境中输入命令

# 使用paddle2onnx将paddle模型格式转化到ONNX模型格式。
! paddle2onnx --model_dir ./output/ \
    --model_filename model.pdmodel \
    --params_filename model.pdiparams \
    --save_file segonnx/model.onnx \
    --opset_version 11
    --save_file test.onnx

最后转出的模型为

 目前支持的模型

利用onnx格式进行整张图像的预测

9.二次开发 

paddleseg的代码格式，这里是官方提供的格式说明文件

PaddleSeg
     ├──  configs #配置文件文件夹
     ├──  paddleseg #训练部署的核心代码
        ├── core # 启动模型训练，评估与预测的接口
        ├── cvlibs # Config类定义在该文件夹中。它保存了数据集、模型配置、主干网络、损失函数等所有的超参数。
            ├── callbacks.py
            └── ...
        ├── datasets #PaddleSeg支持的数据格式，包括ade、citycapes等多种格式
            ├── ade.py
            ├── citycapes.py
            └── ...
        ├── models #该文件夹下包含了PaddleSeg组网的各个部分
            ├── backbone # paddleseg的使用的主干网络
            ├── hrnet.py
            ├── resnet_vd.py
            └── ...
            ├── layers # 一些组件，例如attention机制
            ├── activation.py
            ├── attention.py
            └── ...
            ├── losses #该文件夹下包含了PaddleSeg所用到的损失函数
            ├── dice_loss.py
            ├── lovasz_loss.py
            └── ...
            ├── ann.py #该文件表示的是PaddleSeg所支持的算法模型，这里表示ann算法。
            ├── deeplab.py #该文件表示的是PaddleSeg所支持的算法模型，这里表示Deeplab算法。
            ├── unet.py #该文件表示的是PaddleSeg所支持的算法模型，这里表示unet算法。
            └── ...
        ├── transforms #进行数据预处理的操作，包括各种数据增强策略
            ├── functional.py
            └── transforms.py
        └── utils
            ├── config_check.py
            ├── visualize.py
            └── ...
     ├──  train.py  # 训练入口文件，该文件里描述了参数的解析，训练的启动方法，以及为训练准备的资源等。
     ├──  predict.py # 预测文件
     └── ...