首页下载资源人工智能多类别语义分割U2net

ZIP多类别语义分割U2net

jin__998112.61MB需要积分:1

资源文件列表:

multi_U2NET 大约有82个文件
  1. multi_U2NET/
  2. multi_U2NET/.idea/
  3. multi_U2NET/.idea/.gitignore 184B
  4. multi_U2NET/.idea/inspectionProfiles/
  5. multi_U2NET/.idea/inspectionProfiles/profiles_settings.xml 174B
  6. multi_U2NET/.idea/inspectionProfiles/Project_Default.xml 2.3KB
  7. multi_U2NET/.idea/misc.xml 188B
  8. multi_U2NET/.idea/modules.xml 281B
  9. multi_U2NET/.idea/multi_U2NET.iml 324B
  10. multi_U2NET/.idea/workspace.xml 19.42KB
  11. multi_U2NET/create_u2net_pretrain_model.py 1.58KB
  12. multi_U2NET/data_loader.py 12.83KB
  13. multi_U2NET/miou_out/
  14. multi_U2NET/miou_out/confusion_matrix.csv 59B
  15. multi_U2NET/miou_out/mIoU.png 14.9KB
  16. multi_U2NET/miou_out/mPA.png 14.06KB
  17. multi_U2NET/miou_out/Precision.png 14.2KB
  18. multi_U2NET/miou_out/Recall.png 13.31KB
  19. multi_U2NET/model/
  20. multi_U2NET/model/u2net.py 16.63KB
  21. multi_U2NET/model/u2net_onnx.py 16.94KB
  22. multi_U2NET/model/__init__.py 51B
  23. multi_U2NET/model/__pycache__/
  24. multi_U2NET/model/__pycache__/u2net.cpython-310.pyc 12.51KB
  25. multi_U2NET/model/__pycache__/u2net.cpython-36.pyc 11.31KB
  26. multi_U2NET/model/__pycache__/u2net.cpython-37.pyc 17.95KB
  27. multi_U2NET/model/__pycache__/u2net.cpython-38.pyc 10.29KB
  28. multi_U2NET/model/__pycache__/u2net.cpython-39.pyc 16.12KB
  29. multi_U2NET/model/__pycache__/u2net5p_cbam.cpython-39.pyc 11.25KB
  30. multi_U2NET/model/__pycache__/u2net5p_cbam_onnx.cpython-39.pyc 11.34KB
  31. multi_U2NET/model/__pycache__/u2net5p_se.cpython-39.pyc 9.59KB
  32. multi_U2NET/model/__pycache__/u2net_onnx.cpython-310.pyc 13.4KB
  33. multi_U2NET/model/__pycache__/u2net_onnx.cpython-37.pyc 20.16KB
  34. multi_U2NET/model/__pycache__/u2net_onnx.cpython-39.pyc 16.36KB
  35. multi_U2NET/model/__pycache__/u2next4p.cpython-310.pyc 9.22KB
  36. multi_U2NET/model/__pycache__/u2next_onnx.cpython-310.pyc 9.22KB
  37. multi_U2NET/model/__pycache__/__init__.cpython-310.pyc 208B
  38. multi_U2NET/model/__pycache__/__init__.cpython-36.pyc 257B
  39. multi_U2NET/model/__pycache__/__init__.cpython-37.pyc 209B
  40. multi_U2NET/model/__pycache__/__init__.cpython-38.pyc 203B
  41. multi_U2NET/model/__pycache__/__init__.cpython-39.pyc 193B
  42. multi_U2NET/onnx_infer.py 2.87KB
  43. multi_U2NET/onnx_opencv_infer.py 4.53KB
  44. multi_U2NET/README.md 5.1KB
  45. multi_U2NET/results_onnx.png 59.27KB
  46. multi_U2NET/saved_models/
  47. multi_U2NET/saved_models/pretrain_model/
  48. multi_U2NET/saved_models/pretrain_model/power_seg_u2netp.pth 4.67MB
  49. multi_U2NET/saved_models/pretrain_model/segm_u2net.pth 4.61MB
  50. multi_U2NET/saved_models/u2netp/
  51. multi_U2NET/saved_models/u2netp.pth 4.47MB
  52. multi_U2NET/se.py 1.06KB
  53. multi_U2NET/test_out/
  54. multi_U2NET/test_out/852.png 58.2KB
  55. multi_U2NET/test_out/969.png 12.85KB
  56. multi_U2NET/test_out/Image_20230420111440899-2.bmp 949.46KB
  57. multi_U2NET/test_out/Image_20230420111440899.bmp 949.46KB
  58. multi_U2NET/tools/
  59. multi_U2NET/tools/Augmentor数据增强.py 865B
  60. multi_U2NET/tools/create_mask.py 1.69KB
  61. multi_U2NET/tools/data_split.py 846B
  62. multi_U2NET/tools/data_split_seg.py 2.07KB
  63. multi_U2NET/tools/img_resize.py 720B
  64. multi_U2NET/tools/saving_utils.py 1.49KB
  65. multi_U2NET/tools/__pycache__/
  66. multi_U2NET/tools/__pycache__/saving_utils.cpython-37.pyc 1.51KB
  67. multi_U2NET/tools/图像翻转.py 856B
  68. multi_U2NET/tools/弹性形变.py 2.89KB
  69. multi_U2NET/tools/随机裁剪.py 3.56KB
  70. multi_U2NET/torch2onnx.py 1.42KB
  71. multi_U2NET/train.sh 153B
  72. multi_U2NET/u2net_demo.py 3.79KB
  73. multi_U2NET/u2net_train.py 7KB
  74. multi_U2NET/u2net_val.py 5.87KB
  75. multi_U2NET/utils_metrics.py 9KB
  76. multi_U2NET/__pycache__/
  77. multi_U2NET/__pycache__/data_loader.cpython-310.pyc 9.42KB
  78. multi_U2NET/__pycache__/data_loader.cpython-37.pyc 9.75KB
  79. multi_U2NET/__pycache__/u2net_val.cpython-310.pyc 3.76KB
  80. multi_U2NET/__pycache__/u2net_val.cpython-37.pyc 3.71KB
  81. multi_U2NET/__pycache__/utils_metrics.cpython-310.pyc 5.65KB
  82. multi_U2NET/__pycache__/utils_metrics.cpython-37.pyc 5.69KB

资源介绍:

1、SOD的多类别语义分割 2、将作者二类别语义分割改为多类别语义分割 3、具体可参考文章：https://blog.csdn.net/jin__9981/article/details/132712093 4、文章展示了多类别效果、代码修改内容、可行性
# U2Net训练多类别分割 ## 注意： ​ 训练模型的时候，调用的是 models 文件夹内的 u2net.py ​ torch2onnx的时候， 调用的是 models 文件夹内的 u2net_onnx.py ​ 嵌入了 记忆力机制的 u2net5p_x.py 的那两个脚本，仅能成功调用，模型的性能还未稳定。 ## 数据增广 ``` tools/Augmentor数据增强.py tools/img_resize.py tools/弹性形变.py tools/随机裁剪.py tools/图像翻转.py ``` ## 数据划分 ​ 1、目录结构 ``` U-2-Net-master └── datasets └── train_data ├── images # 所有的原图 ├── masks # 所有的mask └── predict_masks └── test_data ├── images # 所有的测试原图 ├── masks # 所有的mask └── predict_masks # u2net_test.py 的推理结果保存路径 ``` ## 数据标注 ​ images+masks ​ 原图：datasets/train_data/images ​ datasets/test_data/images ​ 类似于纯黑的mask图：datasets/train_data/masks ​ datasets/test_data/masks ## 预训练模型的转化 ``` python create_u2net_pretrain_model.py ``` 其中，读取的是 u2netp，位于 save_models/u2netp.pth 转化预训练权重的时候，其动作为，将 u2netp 的除最后一层 sigmoid 进行移除，并保存为新的权重文件 但要注意转化时的输出通道 out_ch 为分类类别(包含背景) 其中，u2net5p 是最小的模型，u2net是最大的模型 ``` u_net = U2NETP(in_ch=3, out_ch=2) ``` 保存为：saved_models/pretrain_model/segm_u2net.pth，并使用 u2net_train.py 中 137行的代码，进行预训练权重的加载。 ## 训练模型 ```shell python u2net_train.py ``` ### 相关脚本 u2net_train.py、u2net_val.py、utils_metrics.py ​ u2net_val.py 可直接执行 ( python u2net_val.py ) u2net_train.py 中需要设置 weights---类别的加权系数 训练模型时，数据预处理的部分、模型类别数通道都要保持一致： ​ u2net_train.py 的第 137、138、144~156 行、第 75 行设置模型类别 ​ u2net_val.py 的第 49、68、69 行 注意：如果训练图片的 mask 图并未将像素值转化为 0~n，那要加上 data_loader.py 的292~298行的代码，做一个标签值的映射，但这个映射结果是随机的，可能。 ### 训练参数 ```python # 损失函数：CrossEntropyLoss device = torch.device("cuda:0") # background 的权重是 1 ，其他类别的为 1.5，总共的数量和 U2NETP(3, 6) 的第二个参数对应 weights = np.array([1.00, 1.50, 1.50, 1.50, 1.50, 1.50], dtype=np.float32) weights = torch.from_numpy(weights).to(device) loss_CE = nn.CrossEntropyLoss(weight=weights).to(device) # 图片文件类型 image_ext = '.jpg' label_ext = '.png' # 模型类型：u2netp 大概4.7MB，是最小的那个 model_name = 'u2netp' # 'u2net' # 模型通道数：3是 图片颜色的通道数，这个不变，5是类别数，算上背景总共5个类别 net = U2NETP(3, 6) # 定义分割类别 num_classes = 6 name_classes = ["background", "first", "second", "third", "4th", "5th"] # 训练集图片 data_dir = os.path.join(os.getcwd(), 'datasets', 'train_data' + os.sep) tra_image_dir = os.path.join('images' + os.sep) tra_label_dir = os.path.join('masks' + os.sep) # 验证集图片 images_path = "datasets/test_data/images/" gt_dir = "datasets/test_data/masks/" # 存放推理结果图片的路径 pred_dir = "datasets/test_data/predict_masks/" # 验证集的推理结果保存 # 存放 miou 计算结果的 图片 miou_out_path = "miou_out" # 权重文件的路径 model_dir = os.path.join(os.getcwd(), 'saved_models', model_name + os.sep) # 保存权重文件并测试的频率为 200 个 iters 一次 save_frq = 200 # 训练回合数 epoch_num = 120 # batch size batch_size = 4 ``` ## torch转onnx ​ u2net_onnx.py 的所有参数应该与 u2net.py 保持一致。 ​ 转了 onnx 以后注意一下 onnx 权重的 输入名字 和 输出名字 ``` python torch2onnx.py ``` ## 模型微调 ​ 如果要在原有的训练好的基础上进行模型微调，就把预训练权重改成上一次训练好的模型，需要调整学习率、损失系数等等的参数，看情况使用 u2net_train.py 中 180~184 行的代码进行梯度裁剪。 ## 测试脚本 ``` python u2net_demo.py # 调用 pth 权重的测试 python onnx_infer.py # onnxruntime 调用 onnx 权重的测试 python onnx_opencv_infer.py # opencv 调用 onnx 权重的测试 ``` 图片保存于 ./test_out/ 配置类别对应颜色 注意一下，输出的推理结果输出的是12345的rgb值，这个推理结果的rgb和标签的rgb是对应的 ```python # 这里给的顺序是 rgb cls = dict([(1,(0,0,255)), # 蓝 (2,(255,0,0)), # 红 (3,(255,0,255)), # 粉 (4,(0,255,0)), # 绿 (5,(0,255,255))]) # 青 ```
100+评论
captcha

    相关资源

    1. Cartographer建图与定位（Livox Mid-360）

      TJZH0318#操作系统ZIP4.16KB1周前
      资源摘要:使用Livox Mid-360雷达及其内置IMU实现Cartographer建图与定位。压缩文件内包含建图和定位对应的launch文件和lua配置文件。

    2. C# WinForm使用Socket通信搭建简易聊天室

      lwkliuwenkang#后端ZIP62.98KB1周前
      资源摘要:C# WinForm通过Socket通信搭建简易聊天室

    3. 基于Python爬虫的中国疫情数据分析与可视化毕设项目.zip

      m0_62143653#后端ZIP721.22KB1周前
      资源摘要:基于Python爬虫的中国疫情数据分析与可视化毕设项目

    4. 农产品价格可视化Python（falsk）+pyecharts

      qq_46131007#后端ZIP1.6MB1周前
      资源摘要:大数据专业实训项目，浙江省农产品数据可视化源码

    5. Canoe-14229-UDS自动化测试脚本CAPL这适用于CANoe无diva的测试脚本 需要Autosar OSEK B

      gqvwhln#行业研究ZIP1.15MB1周前
      资源摘要:Canoe-14229-UDS自动化测试脚本CAPL这适用于CANoe无diva的测试脚本。需要Autosar OSEK BootLoader TP 测试的可以看我主页其他。1.编辑配置文件，填写对应的诊断问卷信息2.加载配置文件txt并选择测试服务3.测试完成打印报告，并自动存储每条测试用例对应log接单项目：Can通信电压读取，6501设备和canstress的Busoff，Autosar，Osek，间接NM，诊断Uds，bootloader，Tp，下线配置，各种脚本等。全部是自动化测试案例包括出报告。

    6. 32位vc9、vc11、vc14运行库

      JAM#操作系统ZIP22.9MB6天前
      资源摘要:内含32位vc9、vc11、vc14运行库3个软件。亲测可用

    7. wpf大屏看板全部源码

      weixin_40155957#前端ZIP17.13MB6天前
      资源摘要:WPF大屏看板源码

    8. GB7714-2015参考文献格式，可完美解决中英混排

      qq_41444734#信息化管理ZIP2.44KB6天前
      资源摘要:GB7714-2015参考文献格式，可完美解决中英混排
    站长QQ:九六九五七三七