小生不财-语义分割2：训练自己的segnet模型（斑马线划分）

已于 2022-03-13 16:38:23 修改
阅读量7.5k 收藏 13
点赞数 2
分类专栏： 语义分割 深度学习实战 机器学习 文章标签： python 机器学习 深度学习 tensorflow 计算机视觉
于 2022-03-13 16:01:38 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40551061/article/details/123333721
版权

学习前言

  • 数据集以及标签详解
  • LOSS函数计算
  • 二、训练代码
    • 1.数据集的制作
    • 2.模型的训练
    • 3.模型的预测
  • 结果展示

前言

在第一部分完成了主干网络VGGnet还有segnet模型，这节主要简单讲一下模型的训练以及预测过程。如有遗忘参考小生不财-语义分割1：基于VGGNet模型的segnet讲解

数据集以及标签详解

语义分割模型训练的文件分为两部分。

第一部分是原图，像这样：

在这里插入图片描述

 第二部分标签，像这样：

在这里插入图片描述

 当你们看到这个标签的时候你们会说，我靠，你给我看的什么辣鸡，全黑的算什么标签，其实并不是这样的，这个标签看起来全黑，但是实际上在斑马线的部分其RGB三个通道的值都是1。

其实给你们换一个图你们就可以更明显的看到了。

在这里插入图片描述

这是它的标签。

在这里插入图片描述

为什么这里的标签看起来就清楚的多呢，因为在voc中，其一共需要分21类，所以火车的RGB的值可能都大于10了，当然看得见。所以，在训练集中，如果像本文一样分两类，那么背景的RGB就是000，斑马线的RGB就是111，如果分多类，那么还会存在222，333，444这样的。这说明其属于不同的类。

二、代码训练

1、数据集的制作

这里我自己制作了191例数据集，这里介绍如何把数据集制作成训练集和测试集，具体代码和注释如下：

def train_data(NC):
    # 读取文件名，一部分是原图名字，另一部分是标签图片
    # txt是按行存的，读取时也是按照行读，中间使用的是';'分割的
    with open('dataset2/train.txt') as f:
        data = f.readlines()
    train = []
    label = []
    for ele in data:
        # 第一部分，读取训练集图片
        # 读取训练图片
        img = Image.open("dataset2/jpg/" + ele.split(';')[0])
        # 调整图片大小
        img = img.resize((WIDTH, HEIGHT))
        img = np.array(img)
        # 对图像进行归一化处理
        img = img / 255
        # 将图像存入train
        train.append(img)

        # 第二部分，读取label 这里必须和网络输出的格式一致，也就是说图片的长宽都要变为原来的1/2
        img = Image.open('dataset2/png/' + ele.split(';')[1].replace('\n', ''))
        # 调整图片大小
        img = img.resize((int(WIDTH / 2), int(HEIGHT / 2)))
        # 将图像转化为array ，然后进行归一化
        img = np.array(img)
        img = img / 255
        # 生成一个和segnet网络输出结构一致的图像
        seg_lable = np.zeros([int(WIDTH / 2), int(HEIGHT / 2), NC])
        # 因为斑马线三个通道都是1，背景为0
        for i in range(NC):
            # 因为标签图片，RGB第三个通道的值为1
            seg_lable[:, :, i] = (img[:, :, 0] == i).astype(int)
        # 进行一次reshape,将通道数进行调整，调整到和decoder格式一样
        seg_lable = np.reshape(seg_lable, (-1, NC))
        # 存放表情包
        label.append(seg_lable)
    return train, label

2、完整训练代码

from net.segnet import mobilenet_segnet
from tensorflow.keras.optimizers import Adam
from PIL import Image
import numpy as np
import tensorflow as tf
from tensorflow.keras.losses import binary_crossentropy
from tensorflow.keras import backend as k
import os

# 定义分类种类
NCLASSES = 2
HEIGHT = 416
WIDTH = 416

# 制作数据集
def train_data(NC):
    # 读取文件名，一部分是原图名字，另一部分是标签图片
    # txt是按行存的，读取时也是按照行读，中间使用的是';'分割的
    with open('dataset2/train.txt') as f:
        data = f.readlines()
    train = []
    label = []
    for ele in data:
        # 第一部分，读取训练集图片
        # 读取训练图片
        img = Image.open("dataset2/jpg/" + ele.split(';')[0])
        # 调整图片大小
        img = img.resize((WIDTH, HEIGHT))
        img = np.array(img)
        # 对图像进行归一化处理
        img = img / 255
        # 将图像存入train
        train.append(img)

        # 第二部分，读取label 这里必须和网络输出的格式一致，也就是说图片的长宽都要变为原来的1/2
        img = Image.open('dataset2/png/' + ele.split(';')[1].replace('\n', ''))
        # 调整图片大小
        img = img.resize((int(WIDTH / 2), int(HEIGHT / 2)))
        # 将图像转化为array ，然后进行归一化
        img = np.array(img)
        img = img / 255
        # 生成一个和segnet网络输出结构一致的图像
        seg_lable = np.zeros([int(WIDTH / 2), int(HEIGHT / 2), NC])
        # 因为斑马线三个通道都是1，背景为0
        for i in range(NC):
            # 因为标签图片，RGB第三个通道的值为1
            seg_lable[:, :, i] = (img[:, :, 0] == i).astype(int)
        # 进行一次reshape,将通道数进行调整，调整到和decoder格式一样
        seg_lable = np.reshape(seg_lable, (-1, NC))
        # 存放表情包
        label.append(seg_lable)
    return train, label
# 自定义损失函数
def loss(y_true, ypred):
    crossloss = binary_crossentropy(y_true, ypred)
    # 计算损失平均值
    loss = 4 * k.sum(crossloss) / HEIGHT / WIDTH
    return loss


if __name__ == "__main__":
    # 加载数据
    train, labels = train_data(NCLASSES)
    train = np.array(train)
    labels = np.array(labels)

    # 对数据集进行打乱处理
    np.random.seed(11)
    np.random.shuffle(train)
    np.random.seed(11)
    np.random.shuffle(labels)
    print(train.shape)
    print(labels.shape)
    # 划分数据集
    total_num = train.shape[0]
    train_num = int(total_num * 0.9)
    x_train = train[:train_num, :, :, :]
    y_train = labels[:train_num, :, :]

    x_test = train[train_num:, :, :, :]
    y_test = labels[train_num:, :, :]

    # 获取模型
    model = mobilenet_segnet(n_classes=NCLASSES, input_width=WIDTH, input_height=HEIGHT)

    # 设置超参数

    model.compile(optimizer=Adam(), loss=loss, metrics=['accuracy'])
    # 保持模型路径
    model_save_path = './checks/crosswalk.h5'
    # 如果模型存在，则加载模型，在之前的基础上继续训练
    if os.path.exists(model_save_path + '.index'):
        print('--------------加载模型--------------')
        model.load_weights(model_save_path)
    # 设置模型模型要求
    cp_callback = tf.keras.callbacks.ModelCheckpoint(
        # 模型保存陆军
        filepath=model_save_path,
        # 只保存最好的一次
        save_best_only=True,
        # 保存模型
        save_weights_only=True
    )
    model.fit(x_train, y_train, batch_size=4, epochs=50, validation_data=(x_test, y_test), validation_freq=1,
              callbacks=[cp_callback])
    model.summary()

 3、模型预测代码实现

from net.segnet import mobilenet_segnet
from PIL import Image
import numpy as np
import copy
import os
# 给不同类别的目标，渲染颜色
class_colors = [[0, 0, 0],
                [0, 255, 0]]
NCLASSES = 2
HEIGHT = 416
WIDTH = 416
# 加载模型
model = mobilenet_segnet(n_classes=NCLASSES, input_height=HEIGHT, input_width=WIDTH)
# 读取权重
model.load_weights("./check/classess.ckpt")
# 读取要预测的图片
imgs = os.listdir("./img/")

for jpg in imgs:
    # 对图片格式进行处理
    img = Image.open("./img/" + jpg)
    old_img = copy.deepcopy(img)
    orininal_h = np.array(img).shape[0]
    orininal_w = np.array(img).shape[1]

    img = img.resize((WIDTH, HEIGHT))
    img = np.array(img)
    img = img / 255
    img = img.reshape(-1, HEIGHT, WIDTH, 3)
    # 进行预测
    pr = model.predict(img)[0]
    # 调整通道，并返回通道上，每个轴上面的最大值
    pr = pr.reshape((int(HEIGHT / 2), int(WIDTH / 2), NCLASSES)).argmax(axis=-1)
    # 生成三通道黑色图片
    seg_img = np.zeros((int(HEIGHT / 2), int(WIDTH / 2), 3))
    colors = class_colors
    for c in range(NCLASSES):
        seg_img[:, :, 0] += ((pr[:, :] == c) * (colors[c][0])).astype('uint8')
        seg_img[:, :, 1] += ((pr[:, :] == c) * (colors[c][1])).astype('uint8')
        seg_img[:, :, 2] += ((pr[:, :] == c) * (colors[c][2])).astype('uint8')

    seg_img = Image.fromarray(np.uint8(seg_img)).resize((orininal_w, orininal_h))
    # 合成一副图像
    image = Image.blend(old_img, seg_img, 0.3)
    image.save("./img_out/" + jpg)

三、效果展示

原始图片

检测后图片

 

总结

        本文，在进行训练时，由于样本数和迭代次数较少，检测效果不是太好，希望大家学习之后可以改进，利用其他一些经典的卷积神经网络进行测试，比如ResNet、LeNet等去实现。也可以解码部分利用另外解码器进行解码。后续将更新一些新的方法。

训练代码和数据集地址：基于VGGnet模型的segnet斑马线划分-数据集文档类资源-CSDN下载

小生不财
关注
专栏目录
语义分割 | segnet 制作自己的数据，如何训练，如何测试,如何评价
东南风的博客
08-03 1万+
  本博文介绍如何手把手制作自己的数据集，并使用SegNet网络进行语义分割，如何训练，如何测试自己的分割模型。 ---------------------------------------------------------------------------------------------------------------------------------------------...
SegNet语义分割(Win10+Pytorch1.0+CUDA10)使用自己数据集训练
SeeIdea的博客
04-08 6418
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Ma...
语义分割——PaddleSeg网络训练并测试自己数据集（详细图文教程）
qq_40280673的博客
07-10 2306
PaddleSeg是百度飞桨（PaddlePaddle）框架中的一个高效、易用的语义分割库。它为研究和工业应用提供了丰富的模型和工具，支持多种语义分割任务。
斑马线+行人+交通灯三类别YoLo数据集：提升城市交通检测的利器
最新发布
gitblog_06615的博客
09-26 688
斑马线+行人+交通灯三类别YoLo数据集：提升城市交通检测的利器 【下载地址】斑马线行人交通灯红绿灯三类别YoLo数据集 本数据集包含行车记录仪实拍图像12554张，主要拍摄于国内城市道路，少部分为郊区环境。数据集涵盖了阴晴雨雾等多种光照条件，能够有效缓解光照变化对目标检测的影响 ...
segnet---训练
hz18790581821的博客
07-01 7952
1.SegNet 简介 SegNet是Cambridge提出旨在解决自动驾驶或者智能机器人的图像语义分割深度网络，开放源码，基于caffe框架。SegNet基于FCN，修改VGG-16网络得到的语义分割网络，有两种SegNet，分别为正常版与贝叶斯版，同时SegNet作者根据网络的深度提供了一个basic版（浅网络）。（具体介绍请看： http://blog.csdn.net/fate_fjh/
语义分割2__训练自己的Segnet模型（划分斑马线）
我是天才很好
07-28 1324
文章目录1、训练文件详解2、LOSS函数的组成3、训练代码3.1、文件存放方式3.2、训练文件3.3、预测文件4、训练结果 1、训练文件详解 这个要从训练文件讲起。语义分割模型训练的文件分为两部分。 第一部分是原图，像这样： 第二部分标签，像这样： 当你们看到这个标签的时候你们会说，我靠，你给我看的什么辣鸡，全黑的算什么标签，其实并不是这样的，这个标签看起来全黑，但是实际上在斑马线的部分其RGB三个通道的值都是1。 其实给你们换一个图你们就可以更明显的看到了。 这是voc数据集中语义分割的训练集中的一幅
憨批的语义分割2——训练自己的segnet模型（划分斑马线）
热门推荐
Bubbliiiing的学习小课堂
11-08 2万+
憨批的语义分割2——训练自己的segnet模型（划分斑马线）学习前言训练的是什么1、训练文件详解2、LOSS函数的组成训练代码1、文件存放方式2、训练文件3、预测文件训练结果 学习前言 在这一个blog里，我会跟大家讲讲如何训练自己的segnet模型。关于什么是segnet模型，大家可以参考我的上一篇博客憨批的语义分割1——基于Mobile模型的segnet讲解。 训练的是什么 虽然把代码贴上来...
语义分割之SegNet训练预测自己的数据集
jiugeshao的专栏
02-28 3704
具体可参见博客https://blog.csdn.net/jiugeshao/article/details/109964611 https://blog.csdn.net/antkillerfarm/article/details/79524417 https://zhuanlan.zhihu.com/p/165563941 下面说明Segnet的代码实现
基于SegNet和SegNet-MobileNet实现语义分割系统python源码(可自制语义分割数据集训练).zip
05-30
基于SegNet和SegNet-MobileNet实现语义分割系统python源码(可自制语义分割数据集训练).zip基于SegNet和SegNet-MobileNet实现语义分割系统python源码(可自制语义分割数据集训练).zip基于SegNet和SegNet-MobileNet实现...
Pytorch：图像语义分割-FCN, U-Net, SegNet, 预训练网络
Jingmin Wei's Blog
03-21 6224
介绍了图像语义分割网络的基本概念，介绍了FCN, U-Net, SegNet的网络结构并用代码实现建模，使用预训练的语义分割网络完成颜色编码和图像分割。
基于VGGnet模型的segnet斑马线划分
03-07
1、利用VGGnet提取图片特征 2、利用segnet进行decoder 3、使用tensorflow里面kereas里面神经网络八步法，一步一步教你训练自己的模型 4、提供了用于训练和验证的数据集 5、网络注释清晰，方便二次开发和修改
手工采集的斑马线与人行道标注数据集，可用于YOLOv5等目标检测任务的训练
07-13
压缩包内提供百度网盘下载链接，永不失效。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。
人工智能深度学习之斑马线检测数据集斑马线数据集
12-01
斑马线数据集，两类：others \ zebra
SegNet-tensorflow+dataset
04-13
为segnet的tensorflow实现以及CamVid数据集（包含training、val、test)的下载。
Segnet网络结构
10-26
Segnet网络结构
keras resnet 训练自己的数据
04-30
keras resnet 迁移训练数据 和 读取数据
基于SUN RGB-D数据集+SegNet算法实现室内场景语义分割python源码+预训练模型+文档说明+数据.zip
09-19
基于SUN RGB-D数据集+SegNet算法实现室内场景语义分割python源码+预训练模型+文档说明+数据.zip基于SUN RGB-D数据集+SegNet算法实现室内场景语义分割python源码+预训练模型+文档说明+数据.zip基于SUN RGB-D数据集+...
image-segmentation-keras:在Keras中实现Segnet，FCN，UNet，PSPNet和其他模型
05-02
图像分割Keras：在Keras中实现Segnet，FCN，UNet，PSPNet和其他模型。 在Keras中实现各种深度图像分割模型。 链接到包含教程的完整博客文章： : 有效的Google Colab示例： Python介面： : CLI界面： ： 我们的...
SegNet训练数据集
zjf2543771964的博客
06-27 1877
参考:https://blog.csdn.net/menglanzeng/article/details/89284515 I1221 14:40:57.487751 15003 sgd_solver.cpp:106] Iteration 0, lr = 0.001 F1221 14:40:57.493633 15003 syncedmem.cpp:56] Check failed: erro...
segnet训练自己的数据集
09-09
要使用SegNet训练自己的数据集，你需要按照以下步骤进行操作： 1. 收集和准备数据集：收集一组带有标记的图像和对应的标签，用于训练SegNet模型。确保图像和标签以相同的命名方式进行配对，并且标签图像与原图像的尺寸一致。 2. 数据预处理：对数据集进行预处理，包括调整图像大小、归一化、裁剪等操作。确保图像和标签的预处理方式一致，以便正确地进行训练。 3. 构建网络模型：使用SegNet的架构来构建模型。SegNet是一个基于编码器-解码器结构的语义分割模型，它可以用于像素级别的图像分割任务。你可以使用深度学习框架（如TensorFlow、PyTorch）来实现该模型。 4. 定义损失函数：为了训练SegNet模型，你需要定义一个适当的损失函数。常用的损失函数包括交叉熵损失函数和Dice损失函数，用于衡量预测结果与真实标签之间的差异。 5. 训练模型：将数据集划分为训练集和验证集，并利用训练集对SegNet模型进行训练。在训练过程中，使用优化算法（如随机梯度下降）来最小化损失函数。通过多次迭代训练，优化模型的参数。 6. 评估和调优：使用验证集评估训练好的模型的性能。你可以计算模型在验证集上的准确率、精确率、召回率等指标，以了解模型的效果。如果需要改进模型性能，你可以进行调整超参数、增加数据集大小或进行数据增强等操作。 7. 测试模型：最后，使用测试集对已训练好的SegNet模型进行测试。将模型应用于新的图像，并观察其分割结果的质量。 以上是训练SegNet模型使用自定义数据集的一般步骤，你可以根据具体情况进行调整和优化。请注意，这只是一个简单的指南，实际操作可能因数据集和问题而有所不同。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小生不财

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值