摘要：这是发表于CVPR 2020的一篇论文的复现模型。
本文分享自华为云社区《Panoptic Deeplab(全景分割PyTorch)》，作者：HWCloudAI 。
这是发表于CVPR 2020的一篇论文的复现模型，B. Cheng et al, “Panoptic-DeepLab: A Simple, Strong, and Fast Baseline for Bottom-Up Panoptic Segmentation”, CVPR 2020，此模型在原论文的基础上，使用HRNet作为backbone，得到了高于原论文的精度，PQ达到了63.7%，mIoU达到了80.3%，AP达到了37.3%。该算法会载入Cityscapes上的预训练模型（HRNet），我们提供了训练代码和可用于训练的模型，用于实际场景的微调训练。训练后生成的模型可直接在ModelArts平台部署成在线服务。
注意事项：
1.本案例使用框架:PyTorch1.4.0
2.本案例使用硬件:GPU: 1*NVIDIA-V100NV32(32GB) | CPU: 8 核 64GB
3.运行代码方法: 点击本页面顶部菜单栏的三角形运行按钮或按Ctrl+Enter键 运行每个方块中的代码
4.JupyterLab的详细用法: 请参考《ModelAtrs JupyterLab使用指导》
5.碰到问题的解决办法: 请参考《ModelAtrs JupyterLab常见问题解决办法》
1.下载数据和代码
运行下面代码，进行数据和代码的下载
本案例使用cityscapes数据集。
import os import moxing as mox # 数据代码下载 mox.file.copy_parallel('s3://obs-aigallery-zc/algorithm/panoptic-deeplab','./panoptic-deeplab')
2.模型训练
2.1依赖库加载
#!/usr/bin/env python3 # -*- coding: utf-8 -*- from __future__ import print_function import os root_path = './panoptic-deeplab/' os.chdir(root_path) # 获取当前目录结构信息，以便进行代码调试 print('os.getcwd():', os.getcwd()) import time import argparse import time import datetime import math import sys import shutil import moxing as mox # ModelArts上专用的moxing模块，可用于与OBS的数据交互，API文档请查看：https://github.com/huaweicloud/ModelArts-Lab/tree/master/docs/moxing_api_doc from PIL import ImageFile ImageFile.LOAD_TRUNCATED_IMAGES = True
2.2训练参数设置
parser = argparse.ArgumentParser(description='Panoptic Deeplab') parser.add_argument('--training_dataset', default='/home/ma-user/work/panoptic-deeplab/', help='Training dataset directory') # 在ModelArts中创建算法时，必须进行输入路径映射配置，输入映射路径的前缀必须是/home/work/modelarts/inputs/，作用是在启动训练时，将OBS的数据拷贝到这个本地路径中供本地代码使用。 parser.add_argument('--train_url', default='./output', help='the path to save training outputs') # 在ModelArts中创建训练作业时，必须指定OBS上的一个训练输出位置，训练结束时，会将输出映射路径拷贝到该位置 parser.add_argument('--num_gpus', default=1, type=int, help='num of GPUs to train') parser.add_argument('--eval', default='False', help='whether to eval') parser.add_argument('--load_weight', default='trained_model/model/model_final.pth',type=str) # obs路径 断点模型 pth文件 如果是评估 则是相对于src的路径 parser.add_argument('--iteration', default=100, type=int) parser.add_argument('--learning_rate', default=0.001, type=float) parser.add_argument('--ims_per_batch', default=8, type=int) args, unknown = parser.parse_known_args() # 必须将parse_args改成parse_known_args，因为在ModelArts训练作业中运行时平台会传入一个额外的init_method的参数 # dir fname = os.getcwd() project_dir = os.path.join(fname, "panoptic-deeplab") detectron2_dir = os.path.join(fname, "detectron2-0.3+cu102-cp36-cp36m-linux_x86_64.whl") panopticapi_dir = os.path.join(fname, "panopticapi-0.1-py3-none-any.whl") cityscapesscripts_dir = os.path.join(fname, "cityscapesScripts-2.1.7-py3-none-any.whl") requirements_dir = os.path.join(project_dir, "requirements.txt") output_dir = "/home/work/modelarts/outputs/train_output" # config strings evalpath = '' MAX_ITER = 'SOLVER.MAX_ITER ' + str(args.iteration+90000) BASE_LR = 'SOLVER.BASE_LR ' + str(args.learning_rate) IMS_PER_BATCH = 'SOLVER.IMS_PER_BATCH ' + str(args.ims_per_batch) SCRIPT_PATH = os.path.join(project_dir, "tools_d2/train_panoptic_deeplab.py") CONFIG_PATH = os.path.join(fname, "configs/config.yaml") CONFIG_CMD = '--config-file ' + CONFIG_PATH EVAL_CMD = '' GPU_CMD = '' OPTS_CMD = MAX_ITER + ' ' + BASE_LR + ' ' + IMS_PER_BATCH RESUME_CMD = '' #functions def merge_cmd(scirpt_path, config_cmd, gpu_cmd, eval_cmd, resume_cmd, opts_cmd): return "python " + scirpt_path + " "+ config_cmd + " " + gpu_cmd + " " + eval_cmd + " " + resume_cmd + " " + OPTS_CMD if args.eval == 'True': assert args.load_weight, 'load_weight empty when trying to evaluate' # 如果评估时为空，则报错 if args.load_weight != 'trained_model/model/model_final.pth': #将model拷贝到本地，并获取模型路径 modelpath, modelname = os.path.split(args.load_weight) mox.file.copy_parallel(args.load_weight, os.path.join(fname, modelname)) evalpath = os.path.join(fname,modelname) else: evalpath = os.path.join(fname,'trained_model/model/model_final.pth') EVAL_CMD = '--eval-only MODEL.WEIGHTS ' + evalpath else: GPU_CMD = '--num-gpus ' + str(args.num_gpus) if args.load_weight: RESUME_CMD = '--resume' if args.load_weight != 'trained_model/model/model_final.pth': modelpath, modelname = os.path.split(args.load_weight) mox.file.copy_parallel(args.load_weight, os.path.join('/cache',modelname)) with open('/cache/last_checkpoint','w') as f: #创建last_checkpoint文件 f.write(modelname) f.close() else: os.system('cp ' + os.path.join(fname, 'trained_model/model/model_final.pth') + ' /cache/model_final.pth') with open('/cache/last_checkpoint','w') as f: #创建last_checkpoint文件 f.write('model_final.pth') f.close() os.environ['DETECTRON2_DATASETS'] = args.training_dataset #添加数据库路径环境变量 cmd = merge_cmd(SCRIPT_PATH, CONFIG_CMD, GPU_CMD, EVAL_CMD, RESUME_CMD, OPTS_CMD) # os.system('mkdir -p ' + args.train_url) print('*********Train Information*********') print('Run Command: ' + cmd) print('Num of GPUs: ' + str(args.num_gpus)) print('Evaluation: ' + args.eval) if args.load_weight: print('Load Weight: ' + args.load_weight) else: print('Load Weight: None (train from scratch)') print('Iteration: ' + str(args.iteration)) print('Learning Rate: ' + str(args.learning_rate)) print('Images Per Batch: ' + str(args.ims_per_batch))
2.3安装依赖库
安装依赖库需要几分钟，请耐心等待
def install_dependecies(r,d, p, c): os.system('pip uninstall pytorch> out1.txt') os.system('pip install torch==1.7.0> out2.txt') os.system('pip install --upgrade pip') os.system('pip install --upgrade numpy') os.system('pip install torchvision==1.7.0> out3.txt') os.system('pip install pydot') os.system('pip install --upgrade pycocotools') os.system('pip install tensorboard') os.system('pip install -r ' + r + ' --ignore-installed PyYAML') os.system('pip install ' + d) os.system('pip install ' + p) os.system('pip install ' + c) os.system('pip install pyyaml ==5.1.0') # 安装依赖 print('*********Installing Dependencies*********') install_dependecies(requirements_dir,detectron2_dir, panopticapi_dir, cityscapesscripts_dir) *********Installing Dependencies*********
2.4开始训练
print('*********Training Begin*********') print(cmd) start = time.time() ret = os.system(cmd+ " >out.txt") if ret == 0: print("success") else: print('fail') end_time=time.time() print('done') print(end_time-start) if args.eval == 'False': os.system('mv /cache/model_final.pth ' + os.path.join(fname, 'output/model_final.pth')) #/cache模型移动到输出文件夹 if os.path.exists(os.path.join(fname, 'pred_results')): os.system('mv ' + os.path.join(fname, 'pred_results') + ' ' + args.train_url)
训练完成之后，可以在out.txt中看运行日志
在./panoptic-deeplab/output/pred_results/文件目录下，有该模型全景分割，实例分割，语义分割的评估结果
3.模型测试
3.1加载测试函数
from test import *
3.2开始预测
if __name__ == '__main__': img_path = r'/home/ma-user/work/panoptic-deeplab/cityscapes/leftImg8bit/val/frankfurt/frankfurt_000000_003920_leftImg8bit.png' # TODO 修改测试图片路径 model_path = r'/home/ma-user/work/panoptic-deeplab/output/model_final.pth' # TODO 修改模型路径 my_model = ModelClass(model_path) result = my_model.predict(img_path) print(result)
原文地址：http://www.cnblogs.com/huaweiyun/p/16921152.html
1. 本站所有资源来源于用户上传和网络，如有侵权请邮件联系站长！
2. 分享目的仅供大家学习和交流，请务用于商业用途!
3. 如果你也有好源码或者教程，可以到用户中心发布，分享有积分奖励和额外收入！
4. 本站提供的源码、模板、插件等等其他资源，都不包含技术服务请大家谅解！
5. 如有链接无法下载、失效或广告，请联系管理员处理！
6. 本站资源售价只是赞助，收取费用仅维持本站的日常运营所需！
7. 如遇到加密压缩包，默认解压密码为"gltf",如遇到无法解压的请联系管理员！
8. 因为资源和程序源码均为可复制品，所以不支持任何理由的退款兑现，请斟酌后支付下载
声明：如果标题没有注明"已测试"或者"测试可用"等字样的资源源码均未经过站长测试.特别注意没有标注的源码不保证任何可用性
