U2PL 项目使用教程

U2PL 项目使用教程

U2PL [CVPR'22] Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels 项目地址: https://gitcode.com/gh_mirrors/u2/U2PL

1. 项目的目录结构及介绍

U2PL 项目的目录结构如下：

U2PL/
├── data/
│   ├── splits/
│   ├── cityscapes/
│   └── VOC2012/
├── experiments/
│   ├── cityscapes/
│   └── pascal/
├── img/
├── u2pl/
├── .gitignore
├── LICENSE
├── README.md
├── eval.py
├── infer.py
├── requirements.txt
├── train_semi.py
├── train_sup.py

目录结构介绍

• data/: 存放数据集的目录，包括 Cityscapes 和 PASCAL VOC 2012 数据集的分割文件和原始数据。

  • splits/: 存放数据集的分割文件。
  • cityscapes/: 存放 Cityscapes 数据集的文件。
  • VOC2012/: 存放 PASCAL VOC 2012 数据集的文件。

• experiments/: 存放实验配置和训练脚本的目录。

  • cityscapes/: 存放 Cityscapes 数据集的实验配置和训练脚本。
  • pascal/: 存放 PASCAL VOC 2012 数据集的实验配置和训练脚本。

• img/: 存放项目相关的图像文件。

• u2pl/: 存放项目的主要代码文件。

• .gitignore: Git 忽略文件配置。

• LICENSE: 项目的开源许可证文件。

• README.md: 项目的介绍文档。

• eval.py: 用于模型评估的脚本。

• infer.py: 用于模型推理的脚本。

• requirements.txt: 项目依赖的 Python 包列表。

• train_semi.py: 用于半监督训练的脚本。

• train_sup.py: 用于全监督训练的脚本。

2. 项目的启动文件介绍

train_semi.py

该文件用于半监督语义分割模型的训练。它通过利用不可靠的伪标签来提高模型的性能。

train_sup.py

该文件用于全监督语义分割模型的训练。它仅使用标注数据进行训练。

eval.py

该文件用于模型的评估。它会对训练好的模型进行性能测试，并输出评估结果。

infer.py

该文件用于模型的推理。它可以对输入图像进行语义分割，并输出分割结果。

3. 项目的配置文件介绍

requirements.txt

该文件列出了项目运行所需的 Python 包及其版本。可以通过以下命令安装这些依赖：

pip install -r requirements.txt

experiments/ 目录下的配置文件

在 experiments/ 目录下，每个数据集（如 Cityscapes 和 PASCAL VOC 2012）都有对应的配置文件和训练脚本。这些配置文件定义了训练过程中的参数，如学习率、批量大小、数据路径等。

例如，experiments/cityscapes/744/suponly/config.yaml 文件定义了在 Cityscapes 数据集上进行全监督训练的配置。

u2pl/ 目录下的配置文件

在 u2pl/ 目录下，还有一些配置文件用于定义模型的结构和训练过程中的参数。这些文件通常以 .yaml 或 .json 格式存在。

例如，u2pl/config/cityscapes.yaml 文件定义了 Cityscapes 数据集的训练配置。

通过这些配置文件，用户可以灵活地调整训练过程中的参数，以适应不同的实验需求。

U2PL [CVPR'22] Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels 项目地址: https://gitcode.com/gh_mirrors/u2/U2PL