一、ADE20K实验
ADE20K是一个用于分割场景的数据集,其提供了大量的真实场景图像以及相应的每个像素的标注。ADE20K主要用于场景分割的训练和评估,因为它具有大规模和多样性的特点,正逐渐成为计算机视觉领域中最重要的数据集之一。本实验使用ADE20K数据集训练及评估模型,以实现场景的分割。
# 安装依赖 !pip install torch torchvision matplotlib opencv-python pillow tqdm # 下载ADE20K数据集 !wget -c http://sceneparsing.csail.mit.edu/data/ADEChallengeData2016.zip
二、ADE20K颜色编码
ADE20K的标签信息保存在图片中的rgb空间中,因此需要进行rgb颜色解码,将图片标注转换为类id,这是使用ADE20K数据集时必不可少的步骤。
# ADE20K颜色编码详细实现,请参考以下代码 def parse_color_map_viz(): lines = open('color150_viz.txt').readlines() lines = [l.rstrip() for l in lines] lines = [l.split('\t') for l in lines] lines = [[int(l[0]), l[1], l[2]] for l in lines] lines = sorted(lines, key=lambda x: x[0]) lines = [[l[1], l[2]] for l in lines] return lines
三、ADE20K数据集
ADE20K共提供22210张图片,同时提供了两种形式的数据集:标准ADE20K和ADE20K-HR,标准ADE20K是1007个类别的语义分割数据集,包括涵盖了各种物体、天空、树木、地面、建筑物、人物以及室内外等环境,总的类别数超过了十万个。ADE20K-HR是一个高分辨率版本的ADE20K数据集,它采用了与标准ADE20K相同的格式。两个数据集均提供了兼容PyTorch的格式,包括图像和语义分割标注,同样也提供了对应的颜色编码器。
# 下载ADE20K-HR数据集数据集 !wget -c http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zip # 解压并进入目录 !unzip -q ADEChallengeData2016.zip !rm -rf ADEChallengeData2016.zip !mv ADEChallengeData2016/* . # 将类别说明存放于classes文件中 !mv ../cls_names.txt classes/ADE20K_classes.txt
四、ADE20K文档权限密码
在使用ADE20K时,需要先获得ADE的许可,在官网上通过验证后即可获取下载文件的地址及密码。
# 官方文档权限密码 Doc Password: scene-parse-challenge-2016 Link: https://docs.google.com/forms/d/e/1FAIpQLScJyTltwLxBb6B8f8oDNoC6LEMZG5Pji-bsc8ahA7ktV7Ky_A/viewform
五、ADE20K trick
ADE20K mask和label的区别,mask是对类别所涉及的像素进行了标记,而label是为所有的像素进行了标记。在训练时,对于一个类别的标记,例如人类的id为12,要么全都标记,要么就都不标记,这种方法在多数情况下有利于提高训练效果
# ADE20K trick 实现,其他模块请参考以下代码 def convert_label_to_mask(label_tensor): label_tensor = label_tensor.cpu().numpy() unique_labels = np.unique(label_tensor) h, w = label_tensor.shape[1:] num_classes = len(unique_labels) mask = np.zeros((num_classes, h, w), np.uint8) for i in range(num_classes): mask[i] = (label_tensor == unique_labels[i]).astype(np.uint8) return mask
六、ADE20K语义分割实验模块
本实验使用U-Net网络进行图像分割,该网络模型是由Encoder和Decoder两个分别负责提取特征和恢复分辨率的部分,中间连接着一系列的特征图,其中每一层的特征图都是上一层的3倍大,由于这个结构,可以将分辨率和语义信息同时保留,并使得网络不需要大量的跳跃连接。
import torch.nn as nn import torch.nn.functional as F class DoubleConv(nn.Module): def __init__(self, in_channels, out_channels, mid_channels=None): super().__init__() if not mid_channels: mid_channels = out_channels self.double_conv = nn.Sequential( nn.Conv2d(in_channels, mid_channels, kernel_size=3, padding=1), nn.BatchNorm2d(mid_channels), nn.ReLU(inplace=True), nn.Conv2d(mid_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) def forward(self, x): return self.double_conv(x) class UNet(nn.Module): def __init__( self, in_channels=3, out_channels=1, init_features=32 ): super(UNet, self).__init__() features = init_features self.encoder1 = DoubleConv(in_channels, features) self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2) self.encoder2 = DoubleConv(features, features * 2) self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2) self.encoder3 = DoubleConv(features * 2, features * 4) self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2) self.encoder4 = DoubleConv(features * 4, features * 8) self.pool4 = nn.MaxPool2d(kernel_size=2, stride=2) self.bottleneck = DoubleConv(features * 8, features * 16) self.up1 = nn.ConvTranspose2d( features * 16, features * 8, kernel_size=2, stride=2 ) self.decoder1 = DoubleConv(features * 16, features * 8) self.up2 = nn.ConvTranspose2d( features * 8, features * 4, kernel_size=2, stride=2 ) self.decoder2 = DoubleConv(features * 8, features * 4) self.up3 = nn.ConvTranspose2d( features * 4, features * 2, kernel_size=2, stride=2 ) self.decoder3 = DoubleConv(features * 4, features * 2) self.up4 = nn.ConvTranspose2d( features * 2, features, kernel_size=2, stride=2 ) self.decoder4 = DoubleConv(features * 2, features) self.out = nn.Conv2d( features, out_channels, kernel_size=1 ) def forward(self, x): # Encoder x1 = self.encoder1(x) x2 = self.encoder2(self.pool1(x1)) x3 = self.encoder3(self.pool2(x2)) x4 = self.encoder4(self.pool3(x3)) # Bottleneck xb = self.bottleneck(self.pool4(x4)) # Decoder xd = self.up1(xb) xd = self.decoder1(torch.cat([x4, xd], 1)) xd = self.up2(xd) xd = self.decoder2(torch.cat([x3, xd], 1)) xd = self.up3(xd) xd = self.decoder3(torch.cat([x2, xd], 1)) xd = self.up4(xd) xd = self.decoder4(torch.cat([x1, xd], 1)) # Output xd = self.out(xd) return xd
七、ADE20K_classes.pdf
ADE20K_classes.pdf文件描述了该数据集中所有支持的物体类别以及类别id,其根据提供的标注对像素进行了分类。本文档想通过此pdf文件为您提供更多关于ADE20K数据集中类别的详细信息。
# ADE20K_classes.pdf 的类别列表示例 [cls]:wall [id]:1 [inst]:41462 [category]:10 [cls]:person [id]:2 [inst]:5129 [category]:4 [cls]:door [id]:3 [inst]:12067 [category]:1 [cls]:window [id]:4 [inst]:501 [category]:1 [cls]:sky [id]:5 [inst]:11779 [category]:2