在模型训练结束,结束后,通常是一个分割模型,输入 1024x1024 输出 4x1024x1024。
一种方法就是将整个图切块,然后每张预测,但是有个不好处就是可能在边界处断续。
由于这种切块再预测很ugly,所以直接遍历整个图预测(这就是相当于卷积啊),防止边界断续,还有一个问题就是防止图过大不能超过20M。
很有意思解决上边的问题。话也不多说了。直接上代码:
from farmlanddataset import FarmDataset
import torch as tc
from osgeo import gdal
from torchvision import transforms
import png
import numpy as np
use_cuda=True
model=tc.load('./tmp/model30') #torch.save(model,'./tmp/model{}'.format(epoch))
device = tc.device("cuda" if use_cuda else "cpu")
model=model.to(device)
model.eval()
ds=FarmDataset(istrain=False)
def createres(d,outputname):
#创建一个和ds大小相同的灰度图像BMP
driver = gdal.GetDriverByName("BMP")
#driver=ds.GetDriver()
od=driver.Create('./tmp/'+outputname,d.RasterXSize,d.RasterYSize,1)
return od
def createpng(height,width,data,outputname):
w=png.Writer(width,height,bitdepth=2,greyscale=True)
of=open('./tmp/'+outputname,'wb')
w.write_array(of,data.flat)
of.close()
return
def predict(d,outputname='tmp.bmp'):
wx=d.RasterXSize #width
wy=d.RasterYSize #height
print(wx,wy)
od=data=np.zeros((wy,wx),np.uint8)
#od=createres(d,outputname=outputname)
#ob=od.GetRasterBand(1) #得到第一个channnel
blocksize=1024
step=512
for cy in range(step,wy-blocksize,step):
for cx in range(step,wx-blocksize,step):
img=d.ReadAsArray(cx-step,cy-step,blocksize,blocksize)[0:3,:,:] #channel*h*w
if (img.sum()==0): continue
x=tc.from_numpy(img/255.0).float()
#print(x.shape)
x=x.unsqueeze(0).to(device)
r=model.forward(x)
r=tc.argmax(r.cpu()[0],0).byte().numpy() #512*512
#ob.WriteArray(r,cx,cy)
od[cy-step//2:cy+step//2,cx-step//2:cx+step//2]=r[256:step+256,256:step+256]
print(cy,cx)
#del od
createpng(wy,wx,od,outputname)
return
print("start predict.....")
predict(ds[0],'image_3_predict.png')
print("start predict 2 .....")
predict(ds[1],'image_4_predict.png')
然后看看我的结果:提交了,晚上希望有个不错的结果
看上边的分类结果,真是感慨深度学习大法好,传统的遥感分类完全没有办法,上边结果在比赛中评测指标>0.2。
有了这些就可以发挥想象力和搬家能力,训练模型。