最详细的语义分割---04PSPNet的训练

最新推荐文章于 2024-04-29 22:40:44 发布

正在学习的浅语

最新推荐文章于 2024-04-29 22:40:44 发布

阅读量1.7k

点赞数 23

分类专栏：语义分割文章标签： python 机器学习深度学习人工智能

本文链接：https://blog.csdn.net/weixin_47142735/article/details/116857782

版权

语义分割专栏收录该内容

15 篇文章 18 订阅

订阅专栏

实例化模型

**
由于我们前面已经把相应的模块都已经准备好了，我们在这一部分只需要把他们导入过来，并对相应的超参数进行赋值即可。这里device是对设备的类型进行判断，若存在GPU，我们则使用GPU加速训练。
在这里插入图片描述
实例化我们之前写好的dataloder和网络。拿到网络的优化器，和学习率调整方式、损失函数。这里需要注意的是，voc数据集的背景类，即标签中黑色的部分，它的标签是255，所以我们在这里计算预测结果和真实标签的时候忽略背景。关于如何忽略背景，只要在交叉熵函数中的ignore_idex=255即可。
在这里插入图片描述

train_epoch

定义训练一个epoch的函数，这个函数传入的参数是我们当前训练到那个epoch了，特别要注意的一点是，在进行训练的时候，第一步一定要把优化器的梯度清零，不然可能会造成梯度爆炸。每行代码的意思，我都进行了注释，这里就不一一解释了。
在这里插入图片描述

这里会调用eval_metrics方法计算当前训练的性能指标，它的输入是网络预测输出，标签和分类类别总数。
具体的实现方式可以参见我的博客：https://blog.csdn.net/weixin_47142735/article/details/115792241?spm=1001.2014.3001.5501。
这个函数会返回一个列表,其内容如下[分类正确的像素总数，该批次像素总数，[每个类别预测图于标签相交的像素总数]，[每个类别预测图标签图相并的像素总数]]。其中前两个元素是两个数，后面的两个元素是一个列表，列表中的每个元素是每类像素相交的元素总数。这里我们会把每次计算出来的Iou和PA保存起来，方便显示当前模型的性能指标。

在这里插入图片描述

val_epoch

验证函数的作用就是监视网络训练，避免网络训练过拟合。它的编写思路整体于训练脚本类似，只不过整个过程不需要反传梯度。我们需要注意的是，验证时一定要把模型设置为验证模式。
在这里插入图片描述

权值保存

我们训练网络的目的就是为了找到最合适的权值，但是我们没有必要把每个权值都保存下来，我么只需要在验证的时候按条件保存权值即可。很多时候，训练网络都是一个漫长的过程，总会出现无法一次训练结束的情况，所以这个时候也许要保存权值，方便下次的继续训练。
这一小段代码就可以实现上面的功能，当我们保存权值的时候以字典的形式记录epoch,权值字典和优化器参数，这样在下次训练的时候就可以接着之前的epoch和学习率接着训练了。
在这里插入图片描述

整个训练

前面的tian和val都是只训练一个epoch，即只轮流训练了一个数据集中所有图片一次，这是远远不够的，所以，我们还要在这个基础上进行大的循环，多训练记次网络，同时按照条件进行验证。
在这里插入图片描述

整个代码

import torch
from tqdm import tqdm # 进度条显示
from torch.utils.data import DataLoader
from dataloader import VOCDataset
from model import PSPNet
from  helper import eval_metrics
import numpy as np
import os

# 判断能否使用gpu加速运算
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
voc_root = r'D:\1Apython\Pycharm_pojie\data_set\VOCdevkit'  # 填写voc数据集的路径
save_dir = r'./weights'  # 权重存储位置
EPOCH = 200  # 总的训练次数
num_classes = 21   # voc数据集的类别总数
batch_size = 4   # 数据集的btch_size大小
pre_val = 2    # 多少次训练验证和保存权重一次
crop_size = 284  # 裁剪大小

# 实例化 daloader
train_datasets = VOCDataset(root=voc_root,split='train',num_classes=num_classes,base_size=300,crop_size=crop_size)
val_datasets = VOCDataset(root=voc_root,split='val',num_classes=num_classes,base_size=300,crop_size=crop_size)
train_dataloader = DataLoader(train_datasets,batch_size=batch_size,num_workers=1,shuffle=True,drop_last=True)
val_dataloader = DataLoader(train_datasets,batch_size=batch_size,num_workers=1,shuffle=True,drop_last=True)

model = PSPNet(num_classes=num_classes,pretrained=True)  #实例化PSPNet
#实例化优化器
optimizer = torch.optim.SGD(lr=0.005,params=model.parameters())
lr_scheduler = torch.optim.lr_scheduler.StepLR(optimizer,step_size=1,gamma=0.9)
# 实例化学习率更新策略，可以根据自己的需求选择不同的调整方法，这里随便使用了一个StepLR
loss_fn = torch.nn.CrossEntropyLoss(ignore_index=255)
# 实例化损失函数,voc数据集背景标签为255，所以我们计算交叉熵的时候忽略背景
def get_lr(optimizer): # 拿到变化的学习率
    for param_group in optimizer.param_groups:
        #print(param_group['lr'])
        return param_group['lr']
# 训练函数
def train_epoch(epoch):
    total_loss = 0  # 保存当前epoch的损失
    total_inter, total_union = 0, 0 # 批次图像的交集、并集
    total_correct, total_label = 0, 0  # 批次图像所有预测正确的像素点、批次图像所有的像素点
    model.to(device)
    model.train()  # 将网络设置为训练模式
    tbar = tqdm(train_dataloader, ncols=130)   # 封装显示模块
    for index,(image,label) in enumerate(tbar):
        image = image.to(device)  # 搬运到GPU上进行训练
        label = label.to(device)
        output = model(image)   # 拿到模型的预测结果.

        assert output[0].size()[2:] == label.size()[1:]  #检查结果
        assert output[0].size()[1] == num_classes
        loss = loss_fn(output[0], label)  # 主干网络损失
        loss += loss_fn(output[1], label) * 0.4  # 辅助网络损失
        output = output[0]   #记录主干网络的预测结果，后面计算性能指标使用
        loss.backward()    # 反传梯度
        optimizer.step()   # 梯度更新
        optimizer.zero_grad()  # 优化器梯度清零
        lr_scheduler.step(epoch=epoch - 1) # 学习率更新

        lr = get_lr(optimizer)  # 拿到当前学习率
        total_loss += loss.item()   # 保存损失

        seg_metrics = eval_metrics(output, label, num_classes)  # 计算每批次PA和miou
        #返回一个列表[计算正确的像素总数，像素总数，标签与预测图相交部分，标签与预测图相并部分(每个类别)]

        correct, num_labeled,inter, union = seg_metrics  # 对seg_metircs进行解包
        "将该epoch中所有正确的像素总数、所有像素总数、交集、和并集累加起来"
        total_correct += correct  # 更新批次图像计算正确的像素
        total_label += num_labeled  # 更新总的像素值
        total_inter += inter     # 更新相交区域的值
        total_union += union     # 更新相并部分的值

        # 计算平均值
        "这里计算的PA和mIoU是将一个epoch中每个batch的交并比进行累加，然后计算平均交并比"
        pixAcc = 1.0 * total_correct / (np.spacing(1) + total_label)  #计算PA=正确分类像素总数/像素总数
        IoU = 1.0 * total_inter / (np.spacing(1) + total_union) # 计算Iou = 相交部分/相并部分  np.spacing(1)防止分母为0的情况
        mIoU = IoU.mean() # 计算类别的平均IoU

        # 显示打印信息
        tbar.set_description(
            'TRAIN {}/{} | Loss: {:.3f}| Acc {:.2f} mIoU {:.2f}  | lr {:.8f}|'.format(
                epoch,EPOCH, np.round(total_loss/(index+1),3),np.round(pixAcc,3),
                np.round(mIoU,3),lr))
    lr_scheduler.step()  # 学习率更新

# 验证函数
def val_epoch(epoch):
    total_loss = 0   # 保存验证的总损失
    total_inter, total_union = 0, 0
    total_correct, total_label = 0, 0

    model.to(device)
    model.eval()                   # 开启验证模式
    print(f'正在使用 {device} 进行验证! ')
    tbar = tqdm(val_dataloader,ncols=130)  # 设置进度条信息
    with torch.no_grad():   # 关闭梯度信息
        for index,(image,label) in enumerate(tbar):
            image = image.to(device)       # 搬运到GPU上进行预测
            label = label.to(device)
            output = model(image)          # 传入模型获得预测结果
            loss = loss_fn(output,label)   # 计算验证的时候的损失
            total_loss  += loss.item()      # 累计loss

            seg_metrics = eval_metrics(output, label, num_classes)  # 计算每批次PA和miou
            correct, num_labeled, inter, union = seg_metrics  # 对seg_metircs进行解包
            "将该epoch中所有正确的像素总数、所有像素总数、交集、和并集累加起来"
            total_correct += correct  # 更新批次图像计算正确的像素
            total_label += num_labeled  # 更新总的像素值
            total_inter += inter  # 更新相交区域的值
            total_union += union  # 更新相并部分的值

            # 计算平均值
            "这里计算的PA和mIoU是将一个epoch中每个batch的交并比进行累加，然后计算平均交并比"
            pixAcc = 1.0 * total_correct / (np.spacing(1) + total_label)  # 计算PA=正确分类像素总数/像素总数
            IoU = 1.0 * total_inter / (np.spacing(1) + total_union)  # 计算Iou = 相交部分/相并部分  np.spacing(1)防止分母为0的情况
            mIoU = IoU.mean()  # 计算类别的平均IoU
            # 显示当前的预测信息
            tbar.set_description('EVAL ({})|Loss: {:.3f}, PixelAcc: {:.2f}, Mean IoU: {:.2f}|'.format(epoch,
                                                        total_loss/(index+1),(pixAcc), mIoU))
        print('Finish validation!') # 显示所有验证图片的平均信息
        print(f'total loss:{np.round(total_loss/(index+1),3)} || PA:{np.round(pixAcc,3)} || mIoU:{np.round(mIoU,3)}')
        print(f'every class Iou {dict(zip(range(num_classes), np.round(IoU,3)))}')

        print('正在保存权重！！！！')
        state = {
            'epoch': epoch,
            'state_dict': model.state_dict(),
            'optimizer': optimizer.state_dict(),
        }
        filename = os.path.join(save_dir, f'checkpoint--epoch{epoch}.pth')
        torch.save(state, filename)
        print(f'成功保存第{epoch}epoch权重文件')

# 总训练函数
def train(EPOCH):
    print(f'正在使用 {device} 进行训练! ')
    for i in range(EPOCH):
        train_epoch(i)   # 调用上面的train_epoch 进行一轮训练
        if i % pre_val == 0:  # 按照条件进行验证
            val_epoch(i)

if __name__ == '__main__':
    train(EPOCH)

如果需要整个文件的代码，可以到下面这个网盘链接下载
链接：https://pan.baidu.com/s/19-CMyQvzIduxGeVwtVN7cQ
提取码：fbkd
在这里插入图片描述

正在学习的浅语

关注

23
点赞
踩
24

收藏

觉得还不错? 一键收藏
7
评论
最详细的语义分割---04PSPNet的训练

**实例化模型**由于我们前面已经把相应的模块都已经准备好了，我们在这一部分只需要把他们导入过来，并对相应的超参数进行赋值即可。这里device是对设备的类型进行判断，若存在GPU，我们则使用GPU加速训练。实例化我们之前写好的dataloder和网络。拿到网络的优化器，和学习率调整方式、损失函数。这里需要注意的是，voc数据集的背景类，即标签中黑色的部分，它的标签是255，所以我们在这里计算预测结果和真实标签的时候忽略背景。关于如何忽略背景，只要在交叉熵函数中的ignore_idex=255即可
复制链接

扫一扫