FCN 介绍

FCN主要用用于图像分割领域，是一种端到端的分割方法。FCN丢弃了全连接层，使得其能够处理任意大小的图像，且减少了模型的参数量，提高了模型的分割速度。FCN在编码部分使用了VGG的结构，在解码部分中使用反卷积/上采样操作恢复图像的分辨率。FCN-8s最后使用8倍的反卷积/上采样操作将输出分割图恢复到与输入图像相同大小。

[论文]: Long, Jonathan, Evan Shelhamer, and Trevor Darrell. "Fully convolutional networks for semantic segmentation." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015.

模型架构

FCN8s使用丢弃全连接操作的VGG16作为编码部分，并分别融合VGG16中第3,4,5个池化层特征，最后使用stride=8的反卷积获得分割图像。

数据集

使用的数据集:

PASCAL VOC 2012

环境要求

硬件（Ascend）
- 需要准备具有Ascend处理能力的硬件环境.
框架
- MindSpore
如需获取更多信息，请查看如下链接：
- MindSpore 教程
- MindSpore Python API

快速开始

在通过官方网站安装MindSpore之后，你可以通过如下步骤开始训练以及评估：

用默认参数在Ascend上运行

# 训练
python train.py --device_id device_id

# 评估
python eval.py --device_id device_id

脚本介绍

脚本以及简单代码

├── cv
    ├── FCN8s
        ├── README.md                 // FCN8s相关说明
        ├── scripts
            ├── run_train.sh
            ├── run_standalone_train.sh
            ├── run_eval.sh
            ├── build_data.sh
        ├── src
        │   ├──data
        │       ├──build_seg_data.py       // 创建数据
        │       ├──dataset.py          // 载入数据
        │   ├──nets
        │       ├──FCN8s.py            // FCN8s网络结构
        │   ├──loss
        │       ├──loss.py            // 损失函数
        │   ├──utils
        │       ├──lr_scheduler.py            // 学习率设置
        ├── train.py                 // 训练脚本
        ├── eval.py                  //  评估脚本

脚本参数

训练以及评估的参数可以在config.py中设置

FCN8s配置

   # 数据
  'data_file': '/data/workspace/mindspore_dataset/FCN/FCN/dataset/MINDRECORED_NAME.mindrecord', # path and name of one mindrecord file
  'batch_size': 32,
  'crop_size': 512,
  'image_mean': [103.53, 116.28, 123.675],
  'image_std': [57.375, 57.120, 58.395],
  'min_scale': 0.5,
  'max_scale': 2.0,
  'ignore_label': 255,
  'num_classes': 21,

  # 优化
  'train_epochs': 500,
  'base_lr': 0.015,
  'loss_scale': 1024.0,

  # 模型
  'model': 'FCN8s',
  'ckpt_vgg16': '',
  'ckpt_pre_trained': '',

  # 训练
  'save_steps': 330,
  'keep_checkpoint_max': 5,
  'ckpt_dir': './ckpt',

如需获取更多信息，请查看config.py.

生成数据步骤

训练数据

创建mindrecord训练数据

sh build_data.sh
or
python src/data/build_seg_data.py  --data_root=/home/sun/data/Mindspore/benchmark_RELEASE/dataset  \
                                   --data_lst=/home/sun/data/Mindspore/benchmark_RELEASE/dataset/trainaug.txt  \
                                   --dst_path=dataset/MINDRECORED_NAME.mindrecord  \
                                   --num_shards=1  \
                                   --shuffle=True

训练步骤

训练

用默认参数在Ascend上训练
```
python train.py --device_id device_id
```
此模型的checkpoint会在默认路径下存储

评估步骤

评估

在Ascend上使用PASCAL VOC 2012 验证集进行评估

在使用命令运行前，请检查用于评估的checkpoint的路径。请设置路径为到checkpoint的绝对路径。
```
python eval.py
```
以上的python命令会在终端上运行，你可以在终端上查看此次评估的结果。测试集的精确度会以如下方式呈现：
```
mean IoU  0.6425
```

模型介绍

性能

评估性能

参数	Ascend
模型版本	FCN-8s
资源	Ascend 910; CPU 2.60GHz, 192核; 内存 755G; 系统 Euler2.8
上传日期	12/30/2020
MindSpore版本	1.1.0-alpha
数据集	PASCAL VOC 2012
训练参数	epoch=500, steps=330, batch_size = 32, lr=0.015
优化器	Momentum
损失函数	Softmax交叉熵
输出	概率
损失	0.038
速度	1pc: 564.652 毫秒/步;
脚本	FCN 脚本

推理性能

参数	Ascend
模型版本	FCN-8s
资源	Ascend 910; 系统 Euler2.8
上传日期	12/30/2020
MindSpore版本	1.1.0-alpha
数据集	PASCAL VOC 2012
批大小	16
输出	概率
平均 IoU	64.25

随机事件介绍

我们在train.py中设置了随机种子

ModelZoo 主页

请查看官方网站 homepage.

6.8 kB Raw Blame History

目录

训练数据

训练

评估

评估性能

推理性能

6.8 kB

Raw Blame History