mindspore/model_zoo/official/cv/FCN8s

• Contents
• FCN 介绍
• 模型架构
• 数据集
• 环境要求
• 快速开始
• 脚本介绍
• • 脚本以及简单代码
  • 脚本参数
  • 生成数据步骤
  • • 训练数据
  • 训练步骤
  • • 训练
  • 评估步骤
  • • 评估
• 模型介绍
• • 性能
  • • 评估性能
    • • FCN8s on PASCAL VOC 2012
    • Inference Performance
    • • FCN8s on PASCAL VOC
  • 如何使用
  • • 教程
• 随机事件介绍
• ModelZoo 主页

Contents

• FCN 介绍
• 模型架构
• 数据集
• 环境要求
• 快速开始
• 脚本介绍
  • 脚本以及简单代码
  • 脚本参数
  • 训练步骤
    • 训练
  • 评估步骤
    • 评估
• 模型介绍
  • 性能
    • 评估性能
  • 如何使用
    • 教程
• 随机事件介绍
• ModelZoo 主页

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。

[Paper]: 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

FCN-8s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

Dataset used:

PASCAL VOC 2012

SBD

环境要求

• 硬件（Ascend/GPU）
  • 需要准备具有Ascend或GPU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 Tutorials
  • 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：

• running on Ascend with default parameters

  # run training example
  python train.py --device_id device_id
  
  # run evaluation example with default parameters
  python eval.py --device_id device_id
  

脚本介绍

脚本以及简单代码

├── model_zoo
    ├── README.md                     // descriptions about all the models
    ├── FCN8s
        ├── README.md                 // descriptions about FCN
        ├── scripts
            ├── run_train.sh
            ├── run_standalone_train.sh
            ├── run_eval.sh
            ├── build_data.sh
        ├── src
        │   ├──data
        │       ├──build_seg_data.py       // creating dataset
        │       ├──dataset.py          // loading dataset
        │   ├──nets
        │       ├──FCN8s.py            // FCN-8s architecture
        │   ├──loss
        │       ├──loss.py            // loss function
        │   ├──utils
        │       ├──lr_scheduler.py            // getting learning_rateFCN-8s  
        ├── train.py                 // training script
        ├── eval.py                  //  evaluation script

脚本参数

训练以及评估的参数可以在config.py中设置

• config for FCN8s

     # dataset
    '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,
  
    # optimizer
    'train_epochs': 500,
    'base_lr': 0.015,
    'loss_scale': 1024.0,
  
    # model
    'model': 'FCN8s',
    'ckpt_vgg16': '',
    'ckpt_pre_trained': '',
  
    # train
    '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

• build mindrecord training data

  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
  data_root: 训练数据集的总目录包含两个子目录img和cls_png，img目录下存放训练图像，cls_png目录下存放标签mask图像，
  data_lst: 存放训练样本的名称列表文档，每行一个样本。
  dst_path: 生成mindrecord数据的目标位置
  

训练步骤

训练

• running on Ascend with default parameters

  python train.py --device_id device_id
  

  训练时，训练过程中的epch和step以及此时的loss和精确度会呈现在终端上：

  epoch: * step: **, loss is ****
  ...
  

  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，如 "/data/workspace/mindspore_dataset/FCN/FCN/model_new/FCN8s-500_82.ckpt"。

  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  0.6467
  

模型介绍

性能

评估性能

FCN8s on PASCAL VOC 2012

Parameters	Ascend
Model Version	FCN-8s
Resource	Ascend 910; CPU 2.60GHz, 192cores; Memory 755G; OS Euler2.8
uploaded Date	12/30/2020 (month/day/year)
MindSpore Version	1.1.0-alpha
Dataset	PASCAL VOC 2012 and SBD
Training Parameters	epoch=500, steps=330, batch_size = 32, lr=0.015
Optimizer	Momentum
Loss Function	Softmax Cross Entropy
outputs	probability
Loss	0.038
Speed	1pc: 564.652 ms/step;
Scripts	FCN script

Inference Performance

FCN8s on PASCAL VOC

Parameters	Ascend
Model Version	FCN-8s
Resource	Ascend 910; OS Euler2.8
Uploaded Date	10/29/2020 (month/day/year)
MindSpore Version	1.1.0-alpha
Dataset	PASCAL VOC 2012
batch_size	16
outputs	probability
mean IoU	64.67

如何使用

教程

如果你需要在不同硬件平台（如GPU，Ascend 910 或者 Ascend 310）使用训练好的模型，你可以参考这个 Link。以下是一个简单例子的步骤介绍：

• Running on Ascend

  # Set context
  context.set_context(mode=context.GRAPH_MODE, device_target=args_opt.device_target, save_graphs=False)
  context.set_auto_parallel_context(device_num=device_num,parallel_mode=ParallelMode.DATA_PARALLEL)
  init()
  
  # Load dataset
  dataset = data_generator.SegDataset(image_mean=cfg.image_mean,
                                      image_std=cfg.image_std,
                                      data_file=cfg.data_file,
                                      batch_size=cfg.batch_size,
                                      crop_size=cfg.crop_size,
                                      max_scale=cfg.max_scale,
                                      min_scale=cfg.min_scale,
                                      ignore_label=cfg.ignore_label,
                                      num_classes=cfg.num_classes,
                                      num_readers=2,
                                      num_parallel_calls=4,
                                      shard_id=args.rank,
                                      shard_num=args.group_size)
  dataset = dataset.get_dataset(repeat=1)
  
  # Define model
  net = FCN8s(n_class=cfg.num_classes)
  loss_ = loss.SoftmaxCrossEntropyLoss(cfg.num_classes, cfg.ignore_label)
  
  # optimizer
  iters_per_epoch = dataset.get_dataset_size()
  total_train_steps = iters_per_epoch * cfg.train_epochs
  
  lr_scheduler = CosineAnnealingLR(cfg.base_lr,
                                   cfg.train_epochs,
                                   iters_per_epoch,
                                   cfg.train_epochs,
                                   warmup_epochs=0,
                                   eta_min=0)
  lr = Tensor(lr_scheduler.get_lr())
  
  # loss scale
  manager_loss_scale = FixedLossScaleManager(cfg.loss_scale, drop_overflow_update=False)
  
  optimizer = nn.Momentum(params=net.trainable_params(), learning_rate=lr, momentum=0.9, weight_decay=0.0001,
                          loss_scale=cfg.loss_scale)
  
  model = Model(net, loss_fn=loss_, loss_scale_manager=manager_loss_scale, optimizer=optimizer, amp_level="O3")
  
  # callback for saving ckpts
  time_cb = TimeMonitor(data_size=iters_per_epoch)
  loss_cb = LossMonitor()
  cbs = [time_cb, loss_cb]
  
  if args.rank == 0:
      config_ck = CheckpointConfig(save_checkpoint_steps=cfg.save_steps,
                                   keep_checkpoint_max=cfg.keep_checkpoint_max)
      ckpoint_cb = ModelCheckpoint(prefix=cfg.model, directory=cfg.ckpt_dir, config=config_ck)
      cbs.append(ckpoint_cb)
  
  model.train(cfg.train_epochs, dataset, callbacks=cbs)
  
  

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.