分割-Unet+Pytorch实现训练自定义数据集-算法训练-优质项目实战.zip

## Unet：U-Net: Convolutional Networks for Biomedical Image Segmentation目标检测模型在Pytorch当中的实现 ### 性能情况 **unet并不适合VOC此类数据集，其更适合特征少，需要浅层特征的医药数据集之类的。** | 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mIOU | | :-----: | :-----: | :------: | :------: | :------: | | VOC12+SBD | [unet_vgg_voc.pth](https://github.com/bubbliiiing/unet-pytorch/releases/download/v1.0/unet_vgg_voc.pth) | VOC-Val12 | 512x512| 58.78 | | VOC12+SBD | [unet_resnet_voc.pth](https://github.com/bubbliiiing/unet-pytorch/releases/download/v1.0/unet_resnet_voc.pth) | VOC-Val12 | 512x512| 67.53 | ### 所需环境 torch==1.2.0 torchvision==0.4.0 ### 文件下载 训练所需的权值可在百度网盘中下载。 链接: https://pan.baidu.com/s/1A22fC5cPRb74gqrpq7O9-A 提取码: 6n2c VOC拓展数据集的百度网盘如下： 链接: https://pan.baidu.com/s/1vkk3lMheUm6IjTXznlg7Ng 提取码: 44mk ### 训练步骤 #### 一、训练voc数据集 1、将我提供的voc数据集放入VOCdevkit中（无需运行voc_annotation.py）。 2、运行train.py进行训练，默认参数已经对应voc数据集所需要的参数了。 #### 二、训练自己的数据集 1、本文使用VOC格式进行训练。 2、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的SegmentationClass中。 3、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 4、在训练前利用voc_annotation.py文件生成对应的txt。 5、注意修改train.py的num_classes为分类个数+1。 6、运行train.py即可开始训练。 #### 三、训练医药数据集 1、下载VGG的预训练权重到model_data下面。 2、按照默认参数运行train_medical.py即可开始训练。 ### 预测步骤 #### 一、使用预训练权重 ##### a、VOC预训练权重 1. 下载完库后解压，如果想要利用voc训练好的权重进行预测，在百度网盘或者release下载权值，放入model_data，运行即可预测。 ```python img/street.jpg ``` 2. 在predict.py里面进行设置可以进行fps测试和video视频检测。 ##### b、医药预训练权重 1. 下载完库后解压，如果想要利用医药数据集训练好的权重进行预测，在百度网盘或者release下载权值，放入model_data，修改unet.py中的model_path和num_classes； ```python _defaults = { #-------------------------------------------------------------------# # model_path指向logs文件夹下的权值文件 # 训练好后logs文件夹下存在多个权值文件，选择验证集损失较低的即可。 # 验证集损失较低不代表miou较高，仅代表该权值在验证集上泛化性能较好。 #-------------------------------------------------------------------# "model_path" : 'model_data/unet_vgg_medical.pth', #--------------------------------# # 所需要区分的类的个数+1 #--------------------------------# "num_classes" : 2, #--------------------------------# # 所使用的的主干网络：vgg、resnet50 #--------------------------------# "backbone" : "vgg", #--------------------------------# # 输入图片的大小 #--------------------------------# "input_shape" : [512, 512], #--------------------------------# # blend参数用于控制是否 # 让识别结果和原图混合 #--------------------------------# "blend" : True, #--------------------------------# # 是否使用Cuda # 没有GPU可以设置成False #--------------------------------# "cuda" : True, } ``` 2. 运行即可预测。 ```python img/cell.png ``` #### 二、使用自己训练的权重 1. 按照训练步骤训练。 2. 在unet.py文件里面，在如下部分修改model_path、backbone和num_classes使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件**。 ```python _defaults = { #-------------------------------------------------------------------# # model_path指向logs文件夹下的权值文件 # 训练好后logs文件夹下存在多个权值文件，选择验证集损失较低的即可。 # 验证集损失较低不代表miou较高，仅代表该权值在验证集上泛化性能较好。 #-------------------------------------------------------------------# "model_path" : 'model_data/unet_vgg_voc.pth', #--------------------------------# # 所需要区分的类的个数+1 #--------------------------------# "num_classes" : 21, #--------------------------------# # 所使用的的主干网络：vgg、resnet50 #--------------------------------# "backbone" : "vgg", #--------------------------------# # 输入图片的大小 #--------------------------------# "input_shape" : [512, 512], #--------------------------------# # blend参数用于控制是否 # 让识别结果和原图混合 #--------------------------------# "blend" : True, #--------------------------------# # 是否使用Cuda # 没有GPU可以设置成False #--------------------------------# "cuda" : True, } ``` 3. 运行predict.py，输入 ```python img/street.jpg ``` 4. 在predict.py里面进行设置可以进行fps测试和video视频检测。 ### 评估步骤 1、设置get_miou.py里面的num_classes为预测的类的数量加1。 2、设置get_miou.py里面的name_classes为需要去区分的类别。 3、运行get_miou.py即可获得miou大小。 ## Reference https://github.com/ggyyzm/pytorch_segmentation https://github.com/bonlime/keras-deeplab-v3-plus