Pytorch实战4：(win10 +ubuntu)对抗语义分割源码调试《Adversarial Learning for Semi-supervised Semantic Segmentation》

已于 2022-12-12 10:06:55 修改
阅读量4.4k 收藏 42
点赞数 3
分类专栏： python 语义分割 文章标签： 语义分割 生成对抗网络
于 2018-12-24 12:03:54 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/sunqiande88/article/details/85231138
版权

复现论文：Adversarial Learning for Semi-supervised Semantic Segmentation
GitHub: AdvSemiSeg-pytorch

ubuntu配置环境：

  1. ubuntu 16.04
  2. python 3.6
  3. pytorch 0.4
  4. GTX1080Ti + CUDA 8.0

win10配置环境：

  1. win10
  2. python 3.7.1
  3. pytorch 1.2.0
  4. RTX2080Ti + CUDA 10.2

源码环境说明：

作者的源码是基于pytorch-0.2+python2.7+TitanX GPU，由于python3与python2有区别，运行源码的时候有几处要修改的地方。并且代码运行时候需要GPU显存不少于11G。
在这里插入图片描述
在这里插入图片描述

代码调试流程：

1.下载作者的源码（python2），或者我修改好的（python3）

git clone https://github.com/hfslyc/AdvSemiSeg.git
python3版本：https://pan.baidu.com/s/1YHn6c9PfdMqLaUZp7ymMqA (提取码 vads)

2.下载数据集，和预训练模型（VOC2012+SBD），将预训练模型resnet101COCO-41f33a49.pth放入pretrain文件夹中

http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
http://vllab1.ucmerced.edu/~whung/adv-semi-seg/SegmentationClassAug.zip
http://vllab1.ucmerced.edu/~whung/adv-semi-seg/resnet101COCO-41f33a49.pth

3.数据集解压，整合成如下目录格式：
在这里插入图片描述
在这里插入图片描述

AdvSemiSeg/dataset/VOC2012/JPEGImages
                          /SegmentationClassAug

4.修改成自己的路径，在train.py中：

DATA_DIRECTORY = '/home/popzq/AdvSemiSeg/dataset/VOC2012'    //数据集路径
DATA_LIST_PATH = '/home/popzq/AdvSemiSeg/dataset/voc_list/train_aug.txt'     //数据集txt文件路径
SNAPSHOT_DIR = '/home/popzq/AdvSemiSeg/snapshots/'    //模型保存的路径
RESTORE_FROM = '/home/popzq/AdvSemiSeg/pretrain/resnet101COCO-41f33a49.pth'    //预训练模型的路径

5.训练
如果数据路径都设置对了的话，用终端进入项目路径，输入

python train.py

（我的代码运行的是对抗全监督模型，将所有的数据用于监督学习，总共迭代10万次，每5000次保存一次模型）。如果需要半监督学习方式，需要修改train.py中的以下几个参数，具体设置多少，建议看论文。

PARTIAL_DATA    //如设置0.3，则代表数据集中30%的数据将会没有标签，用于半监督学习
LAMBDA_SEMI   //半监督超参数
LAMBDA_SEMI_ADV   //半监督对抗学习超参数
SEMI_START_ADV  //迭代多少次后，开始半监督学习
BATCH_SIZE = 9  //如果出现显卡内存溢出，请缩小合适的BATCH_SIZE

在这里插入图片描述
在这里插入图片描述

测试实验结果

snapshots会保存实验模型。
在这里插入图片描述
在项目根目录的控制台输入如下命令，测试下迭代20000次的模型，稍等片刻，便会看到结果。

python evaluate_voc.py --restore-from snapshots/VOC_20000.pth --save-dir results>>log_file.txt

在这里插入图片描述
在这里插入图片描述

杭州豆角焖面
关注
  • 3
    点赞
  • 踩
  • 42
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 57
    评论
专栏目录
pytorch-semantic-segmentation：用于语义分割的PyTorch
02-05
PyTorch用于语义分割 该存储库包含一些用于语义分割的模型以及在PyTorch中实现的训练和测试模型的管道 楷模 Vanilla FCN：分别为VGG，ResNet和DenseNet版本的FCN32，FCN16，FCN8（ ） U-Net（ ） SegNet（ ） PSPNet（） GCN（） DUC，HDC（） 需求 PyTorch 0.2.0 PyTorch的TensorBoard。 安装 其他一些库（在运行代码时查找丢失的内容：-P） 制备 转到models目录并在config.py中设置预训练模型的路径 转到数据集目录并按照自述文件进行操作 去做 DeepLab v3
pytorch-segmentation:在PyTorch中实现的语义分割模型，数据集和损失
05-14
PyTorch中的语义分割 此仓库包含一个PyTorch，用于不同数据集的不同语义分割模型的实现。 要求 在运行脚本之前，需要先安装PyTorch和Torchvision，以及用于数据预处理的PIL和opencv和用于显示培训进度的tqdm 。 支持PyTorch v1.1（使用新的受支持的Tensoboard）； 可以使用更早期的版本，但不要使用tensoboard，而要使用tensoboardX。 pip install -r requirements.txt 或用于本地安装 pip install --user -r requirements.txt 主要特点 清晰易用的结构， 一个json配置文件，可以进行很多参数调整， 支持各种模型，损失，Lr调度程序，数据扩充和数据集， 那么，有什么可用的？ 楷模 （ Deeplab V3 + ）具有Atrous可分离卷积的编解码
awesome-semantic-segmentation-pytorch:PyTorch上的语义分割（包括FCN，PSPNet，Deeplabv3，Deeplabv3 +，DANet，DenseASPP，BiSeNet，EncNet，DUNet，ICNet，ENet，OCNet，CCNet，PSANet，CGNet，ESPNet，LEDNet，DFANet）
05-05
PyTorch上的语义分割 该项目旨在为使用PyTorch的语义细分模型提供简洁，易用，可修改的参考实现。 安装 # semantic-segmentation-pytorch dependencies pip install ninja tqdm # follow PyTorch installation in https://pytorch.org/get-started/locally/ conda install pytorch torchvision -c pytorch # install PyTorch Segmentation git clone https://github.com/Tramac/awesome-semantic-segmentation-pytorch.git # the following will install the lib with symb
Pytorch-3D-Medical-Image-Semantic-Segmentation:使用Pytorch进行3D医学图像语义分割
05-24
Pytorch-3D-医学图像语义分割 这是我的私人研究资料库的发行版。 随着研究的进行，它将进行更新。 为什么我们需要AI来进行医学图像语义分割？ 放射治疗治疗计划需要精确的轮廓，以最大程度地扩大目标覆盖范围，同时最大程度地降低对周围高风险器官（OAR）的毒性。 医师的专业知识和经验水平各异，在手动轮廓绘制过程中会引入较大的观察者内变化。 观察者之间和观察者内部的轮廓变化导致治疗计划的不确定性，这可能会损害治疗结果。 在当前的临床实践中，由医生进行手动轮廓绘制非常耗时，当患者躺在沙发上时，它无法支持自适应治疗。 例子 CT切片 地面真相 预言 更新日志 2020年7月11日更新 基本训练/验证功能 型号：更深的3D残留U-net 2020年7月13日更新 型号：3D残留U-net 数据加载器中的规范化控制 考虑引用我们的论文： Zhang，Z.，Zhao，T.，Gay，H.，Z
AdvSemiSeg 利用生成对抗实现半监督语义分割
m0_63642362的博客
12-03 1376
Reproduction of Paper "Adversarial Learning for Semi-Supervised Semantic Segmentation" with Paddle
AdvSemiSeg:用于半监督语义分割的对抗学习，BMVC 2018
05-14
对抗学习的半监督语义分割 此回购是以下论文的pytorch实现： ，，刘彦婷，， 英国机器视觉会议（BMVC）的会议记录，2018年。 联系人︰洪志智（whung8 at ucmerced dot edu） 该代码是从pytorch DeepLab实现（ ）大量借用的。 基线模型是DeepLabv2-Resnet101，没有进行多尺度培训和CRF后处理，在VOC2012验证集上的平均IOU为73.6% 。 如果发现对您的研究有用，请引用我们的论文。 @inproceedings{Hung_semiseg_2018, author = {W.-C. Hung and Y.-H. Tsai and Y.-T. Liou and Y.-Y. Lin and M.-H. Yang}, booktitle = {Proceedings of the British Machine
1-Adversarial Learning for Semi-Supervised Semantic Segmentation
qq_45583898的博客
09-19 1363
我们提出了一个半监督语义分割的方法，使用了对抗网络。设计了一个鉴别器，去区分预测概率图与真实分割分布，同时考虑了空间分辨率。我们表明，通过**将对抗性损失与所提出模型的标准交叉熵损失耦合起来**，所提出的鉴别器可以用于提高语义分割精度。**此外，鉴别器通过发现未标记图像的预测结果中的可信区域来实现半监督学习，从而提供额外的监督信号。**与使用弱标记图像的现有方法相比，我们的方法利用未标记图像来增强分割模型。在PASCAL VOC 2012和Cityscapes数据集上的实验结果证明了该算法的有效性。
「Transfer Learning」Note on AdvSemiSeg
小锋子Shawn
10-21 406
Sina Weibo：小锋子Shawn Tencent E-mail：[email protected] http://blog.csdn.net/dgyuanshaofeng/article/details/83041600 [1] Adversarial Learning for Semi-supervised Semantic Segmentation BMVC 2018 ...
【PyTorch】【segmentation_models_pytorch】【Unet】源码解析 - 【Encoder】
wuda19920215的博客
03-15 2563
目的 Ok，先来说说为什么有这篇文章。 作为一个才入门的小白，在使用unet训练model时遇到各种问题，看过论文，查过资料，在github上找过大佬复现的unet，最终再使用pytorch自己提供的unet模型时，效果稍稍好了些，但还是存在问题，于是下定决心查看segmentation_models_pytorch中Unet是怎么实现的。话不多说，现在开始。 首先看见的是如何调用 如下图，我是这么写的 我使用的编辑器是pycharm，所以同时按下Ctrl + 鼠标左键，即可进入源码 于是，点
论文：Adversarial Learning for Semi-Supervised Semantic Segmentation
weixin_43673376的博客
08-16 1300
1、Adversarial Learning for Semi-Supervised Semantic Segmentation 目的：学习对抗训练是如何做语义分割，思想，做法，结论，和后续用这种思想的方法做对比 1）先整体看下文章做了什么工作？       对抗的学习框架提高语义分割精度，在推理过程中，并不需要判别器，所以不会增加额外的计算。        半监督的方法，在训练时用了无标注的图像。 2）整个过程是怎么做的？
Pytorch实战4：(win10 +ubuntu)对抗语义分割源码调试《Adversarial Learning for Semi-supervised Semantic Segmentation》-附件资源
03-02
Pytorch实战4：(win10 +ubuntu)对抗语义分割源码调试《Adversarial Learning for Semi-supervised Semantic Segmentation》-附件资源
segmentation:使用pytorch进行图像分割
05-19
细分数据集 确保使用--recurse-submodules签出，有一个子模块'tools'用于常见的点滴）它会加载一个包含图像和遮罩的文件夹，其中包含配置文件（像素值对应于类）。 可在以下上进行训练的示例数据集： : 或者可以从import /文件夹中的脚本中导入COCO / Pascal VOC数据集中的类/图像。 查看训练或测试集和蒙版注释： python -m dataset.view --input /path/to/dataset --train (or --test) 对检查图像的预处理很有用。 查看遮罩文件 python view_labels.py some/file.jpg.mask 训练模型： python main.py --lr 0.1 --batch_size 4 --input /path/to/dataset --model "unet --
【杂谈】除了生成图像(造假)，GAN如何给目标检测，图像分割，图像增强等问题打辅助？...
hacker_long的专栏
03-07 549
欢迎大家来到《知识星球》专栏，在GAN刚刚诞生的时候，的确只是用于生成图像造造假，做做数据增强，但是后来研究人员发现对抗思想是一个非常好的东西，几乎可以用于所有领域，今天介绍几个GAN在...
技术分享 | 半监督学习介绍
AIEarth的博客
12-22 387
半监督学习介绍
Semi-supervised Semantic Segmentation Papers
Closure
08-31 1083
一些流行的方法，例如一致性正则化或伪标签，甚至可能会损害对表现不佳的类别的学习，因为这些类别的预测或伪标签可能太不准确，无法指导对未标记数据的学习。我们的方法在众所周知的公共基准上优于当前最先进的半监督语义分割和半监督域适应，在最具挑战性的场景（即可用的标记数据较少）上有更大的改进。即使是不可靠的预测结果，虽然无法打上确定的伪标签，但仍可以作为部分类别的负样本，从而参与到模型的训练，从而让所有的无标签样本都能在训练过程中发挥作用。此外，在前景-背景不平衡的标记数据上训练的模型容易产生有偏差的预测。...
【计算机视觉】干货分享：Segmentation model PyTorch（快速搭建图像分割网络）
最新发布
wzk4869的博客
08-04 2215
【计算机视觉】干货分享：Segmentation model PyTorch（快速搭建图像分割网络）
使用pytorch的时候出现 segmentation fault(core dumped) ubuntu
qq_38284961的博客
10-15 1520
再开发的时候遇到这一种情况，这种情况有可能是gpu 或者cpu 可用率不足导致的。
构建分割模型的基本库 使用几行代码构建和训练用于图像分割的神经网络模型（教程含源码）
iCloudEnd的博客
03-07 110
分割是根据某些特征或属性将图像分成多个片段或区域的任务。分割模型将图像作为输入并返回分割掩码：编码器：获取输入图像并提取特征。编码器的例子有 ResNet、EfficentNet 和 ViT。解码器：获取提取的特征并生成分割掩码。解码器因架构而异。架构的例子有 U-Net、FPN 和 DeepLab。因此，在为特定应用构建分割模型时，您需要选择架构和编码器。但是，如果不测试几个，很难选择最佳组合。这通常需要很长时间，因为更改模型需要编写大量样板代码。
PyTorch源码解读之torchvision.models
热门推荐
AI之路
01-21 10万+
PyTorch框架中有一个非常重要且好用的包：torchvision，该包主要由3个子包组成，分别是：torchvision.datasets、torchvision.models、torchvision.transforms。这3个子包的具体介绍可以参考官网：http://pytorch.org/docs/master/torchvision/index.html。具体代码可以参考github：
DSL: Dense Learning based Semi-Supervised Object Detection代码复现教程
05-31
很高兴回答您的问题！以下是DSL: Dense Learning based Semi-Supervised Object Detection代码复现教程的步骤： 1. 准备数据集 首先，您需要下载PASCAL VOC数据集，并在您的计算机上设置相应的路径。您可以在以下链接中找到数据集：http://host.robots.ox.ac.uk/pascal/VOC/ 2. 安装依赖项 您需要安装以下依赖项： - PyTorch - Torchvision - PIL - NumPy 您可以使用pip来安装它们： ``` pip install torch torchvision Pillow numpy ``` 3. 下载代码 您需要从GitHub上下载DSL代码。您可以使用以下命令： ``` git clone https://github.com/youansheng/DSL.git ``` 4. 训练模型 运行train.py文件以训练模型。您需要指定一些参数，例如数据集路径、批量大小、学习率等。以下是一个示例命令： ``` python train.py --dataset_path /path/to/dataset --batch_size 16 --lr 0.001 ``` 5. 测试模型 运行test.py文件以测试已训练的模型。您需要指定一些参数，例如数据集路径、批量大小等。以下是一个示例命令： ``` python test.py --dataset_path /path/to/dataset --batch_size 16 ``` 6. 可视化结果 您可以使用visualize.py文件来可视化测试结果。以下是一个示例命令： ``` python visualize.py --dataset_path /path/to/dataset --batch_size 16 ``` 这些就是DSL代码复现教程的步骤。希望对您有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 57
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

杭州豆角焖面

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