\u200E
模型库 智能视觉(PaddleCV)
图像语义分割-ICNET
类别 智能视觉(PaddleCV)
应用 自动驾驶 室内导航 医学图像诊断 穿戴设备 虚拟现实与增强现实 无人机
模型概述
ICNet 主要用于图像实时语义分割,能够兼顾速度和准确性。 ICNet的主要思想是将输入图像变换为不同的分辨率,然后用不同计算复杂度的子网络计算不同分辨率的输入,然后将结果合并。
模型说明
# ICNet模型使用教程 本教程旨在介绍如何通过使用PaddleSeg提供的 ***`ICNet`*** 预训练模型在自定义数据集上进行训练、评估和可视化。 * 在阅读本教程前,请确保您已经了解过PaddleSeg的[快速入门](../README.md#快速入门)和[基础功能](../README.md#基础功能)等章节,以便对PaddleSeg有一定的了解。 * 本教程的所有命令都基于PaddleSeg主目录进行执行。 * 注意 ***`ICNet`*** 不支持在cpu环境上训练和评估 ## 一. 准备待训练数据


我们提前准备好了一份眼底医疗分割数据集,包含267张训练图片、76张验证图片、38张测试图片。通过以下命令进行下载: ```shell python dataset/download_optic.py ``` ## 二. 下载预训练模型 接着下载对应的预训练模型 ```shell python pretrained_model/download_model.py icnet_bn_cityscapes ``` 关于已有的ICNet预训练模型的列表,请参见[模型组合](#模型组合)。如果需要使用其他预训练模型,下载该模型并将配置中的BACKBONE、NORM_TYPE等进行替换即可。 ## 三. 准备配置 接着我们需要确定相关配置,从本教程的角度,配置分为三部分: * 数据集 * 训练集主目录 * 训练集文件列表 * 测试集文件列表 * 评估集文件列表 * 预训练模型 * 预训练模型名称 * 预训练模型的backbone网络 * 预训练模型的Normalization类型 * 预训练模型路径 * 优化策略 * 学习率 * Batch Size * ... 在三者中,预训练模型的配置尤为重要,如果模型或者BACKBONE配置错误,会导致预训练的参数没有加载,进而影响收敛速度。预训练模型相关的配置如第二步所示。 数据集的配置和数据路径有关,在本教程中,数据存放在`dataset/optic_disc_seg`中 其他配置则根据数据集和机器环境的情况进行调节,最终我们保存一个如下内容的yaml配置文件,存放路径为**configs/icnet_optic.yaml** ```yaml # 数据集配置 DATASET: DATA_DIR: "./dataset/optic_disc_seg/" NUM_CLASSES: 2 TEST_FILE_LIST: "./dataset/optic_disc_seg/test_list.txt" TRAIN_FILE_LIST: "./dataset/optic_disc_seg/train_list.txt" VAL_FILE_LIST: "./dataset/optic_disc_seg/val_list.txt" VIS_FILE_LIST: "./dataset/optic_disc_seg/test_list.txt" # 预训练模型配置 MODEL: MODEL_NAME: "icnet" DEFAULT_NORM_TYPE: "bn" MULTI_LOSS_WEIGHT: "[1.0, 0.4, 0.16]" ICNET: DEPTH_MULTIPLIER: 0.5 # 其他配置 TRAIN_CROP_SIZE: (512, 512) EVAL_CROP_SIZE: (512, 512) AUG: AUG_METHOD: "unpadding" FIX_RESIZE_SIZE: (512, 512) BATCH_SIZE: 4 TRAIN: PRETRAINED_MODEL_DIR: "./pretrained_model/icnet_bn_cityscapes/" MODEL_SAVE_DIR: "./saved_model/icnet_optic/" SNAPSHOT_EPOCH: 5 TEST: TEST_MODEL: "./saved_model/icnet_optic/final" SOLVER: NUM_EPOCHS: 10 LR: 0.001 LR_POLICY: "poly" OPTIMIZER: "adam" ``` ## 四. 配置/数据校验 在开始训练和评估之前,我们还需要对配置和数据进行一次校验,确保数据和配置是正确的。使用下述命令启动校验流程 ```shell python pdseg/check.py --cfg ./configs/icnet_optic.yaml ``` ## 五. 开始训练 校验通过后,使用下述命令启动训练 ```shell # 指定GPU卡号(以0号卡为例) export CUDA_VISIBLE_DEVICES=0 # 训练 python pdseg/train.py --use_gpu --cfg ./configs/icnet_optic.yaml ``` ## 六. 进行评估 模型训练完成,使用下述命令启动评估 ```shell python pdseg/eval.py --use_gpu --cfg ./configs/icnet_optic.yaml ``` ## 七. 进行可视化 使用下述命令启动预测和可视化 ```shell python pdseg/vis.py --use_gpu --cfg ./configs/icnet_optic.yaml ``` 预测结果将保存在visual目录下,以下展示其中1张图片的预测效果:


## 模型组合 |预训练模型名称|Backbone|数据集|配置| |-|-|-|-| |icnet_bn_cityscapes|ResNet50|Cityscapes|MODEL.MODEL_NAME: icnet
MODEL.DEFAULT_NORM_TYPE: bn
MODEL.MULTI_LOSS_WEIGHT: [1.0, 0.4, 0.16]|