实验记录图像分割

数据处理

1. 数据来源

种类 数量
cercospora 118(87)
health 271 (251)
miner 102(93)
phoma 328(286)
rust 103 (98)
total 922(815)

2. 数据标记
在命令行输入labelme,激活标注软件,进行自己数据集的标注。
实验记录图像分割标记的数据以.json文件存储:
实验记录图像分割
3. 批量处理.json文件
打开cmd,cd到.json文件的目录下,运行下面一行代码:

labelme_json_to_dataset.exe E:\coffee

注意:

  • 这个也就是你的json文件目录。
  • 路径只需要输入到文件夹即可,不需要具体指定json文件。
    实验记录图像分割

将生成的json文件夹中的label.png提取出来放在一个文件夹中,即为masks。

实验记录图像分割

环境配置

  1. 代码地址:UNet:Convolutional Networks for Biomedical Image Segmentation
  2. 实验环境
    查看python和pytorch版本

python 3.6.8
pytorch 1.3.0

# 创建虚拟环境
conda create -n pytorch-unet python=3.6

# 安装依赖
pip install -r requirements.txt
conda install pytorch torchvision cudatoolkit=9.0 -c pytorch
conda install tqdm
conda install pillow

说明:

  • -r:通过requirements文件可控地安装很多依赖。
  • -t:安装到指定位置。
  • -e:安装可编辑的包。

训练过程

1.数据准备

二分类:原图为jpg格式,标签是png格式,标签为unit8图像,背景类像素值为0,前景类像素值为1.(背景和前景看成二分类问题)

将训练图像和对应标签图像分别放在工程目录的 data/train/imgs 和 data/train/masks 下。
注意:训练要求一个 batch 内的数据大小一致。

2.代码修改

train.py中第19行,改成自己的路径:

dir_img = 'data/train/imgs/'
dir_mask = 'data/train/masks/'
dir_checkpoint = 'checkpoints/'

注意代码第157行,彩色输入通道数为3,黑白图片通道数为1。前景与背景的二分类问题所以classes为1:

net = UNet(n_channels=3, n_classes=1, bilinear=True)

3.训练

python train.py

训练参数(原代码中定义了get_args()函数),如下代码所示:

def get_args():
    parser = argparse.ArgumentParser(description='Train the UNet on images and target masks',
                                     formatter_class=argparse.ArgumentDefaultsHelpFormatter)
    parser.add_argument('-e', '--epochs', metavar='E', type=int, default=5,
                        help='Number of epochs', dest='epochs')
    parser.add_argument('-b', '--batch-size', metavar='B', type=int, nargs='?', default=1,
                        help='Batch size', dest='batchsize')
    parser.add_argument('-l', '--learning-rate', metavar='LR', type=float, nargs='?', default=0.0001,
                        help='Learning rate', dest='lr')
    parser.add_argument('-f', '--load', dest='load', type=str, default=False,
                        help='Load model from a .pth file')
    parser.add_argument('-s', '--scale', dest='scale', type=float, default=0.5,
                        help='Downscaling factor of the images')
    parser.add_argument('-v', '--validation', dest='val', type=float, default=10.0,
                        help='Percent of the data that is used as validation (0-100)')

    return parser.parse_args()

代码解读

  • required:表示这个参数是否一定需要设置
  • choices:参数值只能从几个选项里面选择
  • help:指定参数的说明信息
  • dest:设置参数在代码中的变量名
    下面是指定训练参数的训练过程,指定epoch=50。其他为默认值。
python train.py -e 50

注意:在开始训练之前,所有的输入图片必须大小一致,这里将原始图片的大小设定为2048*1024.
实验记录图像分割

预测结果

实验记录图像分割实验记录图像分割
(未完)

参考博客:

  1. UNet训练及预测过程
  2. argparse的基本用法
上一篇:houdini_help_linuxos:在浏览器上查看帮助文档的配置方法


下一篇:Mac使用Charles抓包无法联网和乱码问题解决