EISeg PaddleX 语义分割数据集构建

EISeg

使用

在使用EISeg对网络爬取的图像标注完成后，通过tool中的eiseg2paddlex，可以将EISeg标注好的数据快速转换为PaddleX的训练格式。使用以下方法：

python eiseg2paddlex.py -d save_folder_path -o image_folder_path [-l label_folder_path] [-s split_rate]

其中:

• save_folder_path: 为需要保存PaddleX数据的路径，必填
• image_folder_path: 为图像的路径，必填
• label_folder_path: 为标签的路径，非必填，若不填则为自动保存的位置（image_folder_path/label）
• split_rate: 训练集和验证集划分的比例，非必填，若不填则为0.9

效果

PaddleX

训练

! pip -q install paddlex
# ! mkdir -p MyDataset
# ! unzip -oq work/pdx_datas.zip -d MyDataset

import paddlex as pdx
from paddlex import transforms as T

train_transforms = T.Compose([
    T.Resize(target_size=512),
    T.RandomHorizontalFlip(),
    T.Normalize(
        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
])

eval_transforms = T.Compose([
    T.Resize(target_size=512),
    T.Normalize(
        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
])

train_dataset = pdx.datasets.SegDataset(
                        data_dir='./MyDataset',
                        file_list='./MyDataset/train_list.txt',
                        label_list='./MyDataset/labels.txt',
                        transforms=train_transforms)
eval_dataset = pdx.datasets.SegDataset(
                        data_dir='./MyDataset',
                        file_list='./MyDataset/val_list.txt',
                        label_list='MyDataset/labels.txt',
                        transforms=eval_transforms)

num_classes = len(train_dataset.labels)
model = pdx.seg.BiSeNetV2(num_classes=num_classes)

model.train(
    num_epochs=5,
    train_dataset=train_dataset,
    train_batch_size=4,
    eval_dataset=eval_dataset,
    learning_rate=0.05,
    save_dir='output/bisenet')

预测

标注随意未调整，训练时间短，效果看起来不太好，主要是为验证转换后的格式paddlex可以直接使用。

import matplotlib.pyplot as plt
%matplotlib inline

model = pdx.load_model('output/bisenet/epoch_5')
image_name = 'MyDataset/JPEGImages/u_3094633203_306616428&fm_253&fmt_auto&app_120&f_JPEG.jpg'
result = model.predict(image_name)
pred = pdx.seg.visualize(image_name, result, weight=0.3, save_dir=None)
plt.imshow(pred)