实验记录图像分割

2024-02-06 18:03:04

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。
标记的数据以.json文件存储：

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。

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。

环境配置

代码地址：UNet：Convolutional Networks for Biomedical Image Segmentation
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.

预测结果

（未完）

参考博客：

码农公寓