当前位置:   article > 正文

深度学习:使用UNet做图像语义分割,训练自己制作的数据集并推理测试(详细图文教程)_图像分割训练自己的数据集

图像分割训练自己的数据集

语义分割(Semantic Segmentation)是图像处理和机器视觉一个重要分支。与分类任务不同,语义分割需要判断图像每个像素点的类别,进行精确分割。语义分割目前在自动驾驶、自动抠图、医疗影像等领域有着比较广泛的应用。我总结了使用UNet网络做图像语义分割的方法,教程很详细,学者耐心学习。

一、 源码包下载

配套教程的源码包,下载方法为文章末扫码到公众号中回复关键字:语义分割UNet。获取下载链接。当然官网也给了源码包,官网下载链接为:官网。学者也可以下载官网提供的,建议学者直接下载我提供的学习,我已经补了一些坑,添加过一些实用代码。下载好我提供的源码包,解压后的样纸见下:

在这里插入图片描述

二、安装训练必要的库文件

Python的版本选用3.7或者3.8都可以。

在这里插入图片描述

三、 准备数据集

3.1 打标签

数据集的准备,看学者自己个人想要识别什么物体,自行准备即可。我提供的源码包中有我自己喷血已经打好标签的数据集,打标签需要用到的工具叫作labelme,关于labelme工具的具体使用教程,学者看我的另外一篇博客,链接为:Labelme使用教程

准备好的数据集先存放到工程文件夹下的datasets文件下,具体的文件存放位置关系见下:

在这里插入图片描述

3.2 复制数据集和标签文件到VOCdevkit文件中

通过上面步骤制作好标签文件后,将数据集和标签文件从datasets文件中复制一份到VOCdevkit文件中,具体见下:

在这里插入图片描述

在这里插入图片描述

3.3 提取训练集和验证集图片名称

代码中需要修改到的地方见下:

在这里插入图片描述

学者只要运行源码包中的voc_annotion.py文件后,就可以在 ./VOCdevkit/VOC2007/ImageSets/Segmentation目录下自动生成train.txt和val.txt文件,具体见下:

在这里插入图片描述

四、训练

4.1 训练参数的修改

下面有很多的参数可以修改,学者根据自己的训练情况进行修改即可,训练修改的参数都在train.py文件中,具体见下:

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

4.2 开始训练

上面的参数修改好后,直接运行train.py文件就开始训练了,见下:

在这里插入图片描述

在这里插入图片描述

五、模型测试

5.1 保存模型权重文件

上面的训练好后,模型都会被保存到工程文件夹根目录中的logs文件中,见下:

在这里插入图片描述

5.2 修改模型测试参数

测试模型时,需要修改到的地方见下:

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

学者在测试的时候,有三种模式可以选择,(1)测试图片;(2)测试电脑硬盘中的视频;(3)调用电脑自带摄像头测试。三种模式的选择,学者修改下面代码即可,见下:

在这里插入图片描述

5.3 模型推理测试

上面的模型测试参数修改好后,直接运行predict.py即可开始预测:

在这里插入图片描述

5.3.1 单帧图片测试

在这里插入图片描述

5.3.2 电脑硬盘中视频测试

在这里插入图片描述

5.3.3 调用电脑自带摄像头测试

在这里插入图片描述

六、总结

以上就是使用UNet做图像语义分割,自己打标签训练的详细教程,参数调整部分,学者根据需求自行调整,很多参数保持默认即可,参数name_classes的数量和类名一定要根据自己数据集修改。希望我总结的教程帮你快速上手使用。

总结不易,多多支持,谢谢!

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小小林熬夜学编程/article/detail/122361
推荐阅读
相关标签
  

闽ICP备14008679号