利用语义分割算法做指针式仪表的读数识别

如何使用pspnet训练出仪表的指针和表盘
第一步先打标，打标之前先安装labelme，这里我用的labelme版本是3.16.7

pip install labelme==3.16.7

然后在终端桥labelme 打开labelme的界面
如下：

把表盘的部分和指针的部分分别用pan和zhen来表示，我标注了1700多张图片数据，然后需要把json文件和图片整理成voc的数据格式。这是一段 json_to_dataset.py的文件，在很多github仓库中都能找到，我用的代码地址是这个github
代码如下：

import argparse
import base64
import json
import os
import os.path as osp
import warningsimport numpy as np
import PIL.Image
import yaml
from labelme import utils'''
我使用的labelme版本是3.16.7，建议使用该版本的labelme，有些版本的labelme会发生错误
此处生成的标签图是8位彩色图，每个像素点的值就是这个像素点所属的种类
'''
if __name__ == '__main__':jpgs_path = "datasets/JPEGImages"pngs_path = "datasets/SegmentationClass"#classes = ["_background_","aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]classes = ["_background_","pan","zhen"]count = os.listdir("./datasets/before/") for i in range(0, len(count)):path = os.path.join("./datasets/before", count[i])if os.path.isfile(path) and path.endswith('json'):data = json.load(open(path))if data['imageData']:imageData = data['imageData']else:imagePath = os.path.join(os.path.dirname(path), data['imagePath'])with open(imagePath, 'rb') as f:imageData = f.read()imageData = base64.b64encode(imageData).decode('utf-8')img = utils.img_b64_to_arr(imageData)label_name_to_value = {'_background_': 0}for shape in data['shapes']:label_name = shape['label']if label_name in label_name_to_value:label_value = label_name_to_value[label_name]else:label_value = len(label_name_to_value)label_name_to_value[label_name] = label_value# label_values must be denselabel_values, label_names = [], []for ln, lv in sorted(label_name_to_value.items(), key=lambda x: x[1]):label_values.append(lv)label_names.append(ln)assert label_values == list(range(len(label_values)))lbl = utils.shapes_to_label(img.shape, data['shapes'], label_name_to_value)PIL.Image.fromarray(img).save(osp.join(jpgs_path, count[i].split(".")[0]+'.jpg'))new = np.zeros([np.shape(img)[0],np.shape(img)[1]])for name in label_names:index_json = label_names.index(name)index_all = classes.index(name)new = new + index_all*(np.array(lbl) == index_json)utils.lblsave(osp.join(pngs_path, count[i].split(".")[0]+'.png'), new)print('Saved ' + count[i].split(".")[0] + '.jpg and ' + count[i].split(".")[0] + '.png')

处理成voc的数据格式以后，第二步我们需要对数据进行分类，分为训练集和验证集。
分类的代码如下

import os
import random
random.seed(0)segfilepath=r'./datasets/VOC2007/SegmentationClass'
saveBasePath=r"./datasets/VOC2007/ImageSets/Segmentation/"#----------------------------------------------------------------------#
#   想要增加测试集修改trainval_percent
#   修改train_percent用于改变验证集的比例
#----------------------------------------------------------------------#
trainval_percent=1
train_percent=0.9temp_seg = os.listdir(segfilepath)
total_seg = []
for seg in temp_seg:if seg.endswith(".png"):total_seg.append(seg)num=len(total_seg)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)  print("train and val size",tv)
print("traub suze",tr)
ftrainval = open(os.path.join(saveBasePath,'trainval.txt'), 'w')
ftest = open(os.path.join(saveBasePath,'test.txt'), 'w')
ftrain = open(os.path.join(saveBasePath,'train.txt'), 'w')
fval = open(os.path.join(saveBasePath,'val.txt'), 'w')  for i  in list:  name=total_seg[i][:-4]+'\n'  if i in trainval:  ftrainval.write(name)  if i in train:  ftrain.write(name)  else:  fval.write(name)  else:  ftest.write(name)  ftrainval.close()
ftrain.close()
fval.close()
ftest .close()

接着按着voc的数据目录格式把训练的数据丢进去
数据目录格式，然后替换掉原来工程的

然后执行训练就可以了

python train.py

训练过程如图所示，收敛就好

利用语义分割算法做指针式仪表的读数识别相关推荐

实时语义分割算法大盘点
本文转载自计算机视觉工坊语义分割论文语义图像分割是计算机视觉中发展最快的领域之一,有着广泛的应用.在许多领域,如机器人和自动驾驶汽车,语义图像分割是至关重要的,因为它提供了必要的上下文,以采取行动 ...
语义分割算法总结（一）
注: 在本文中经常会提到输出数据的维度,为了防止读者产生错误的理解,在本文的开头做一下说明. 如上图,原始图像大小为5*5,经过一次卷积后,图像变为3*3.那就是5*5的输入,经过一个卷积层后,输出的 ...
语义分割算法性能比较_语义分割江湖那些事儿
今天的分享者是旷视余昌黔,来自旷视研究院 Detection 组,他将向我们分享旷视研究院 Detection 组近两年持续在做的 Semantic Segmentation 相关工作,代表性成果主要 ...
基于迁移学习的语义分割算法分享与代码复现
摘要:语义分割的数据集是比较大的,因此训练的时候需要非常强大的硬件支持. 本文分享自华为云社区<[云驻共创]基于迁移学习的语义分割算法分享>,原文作者:启明. 此篇文章是分享两篇基于迁移学 ...
FCN与U-Net语义分割算法
FCN与U-Net语义分割算法图像语义分割(Semantic Segmentation)是图像处理和是机器视觉技术中关于图像理解的重要一环,也是 AI 领域中一个重要的分支.语义分割即是对图像中每一 ...
道路场景语义分割算法
道路场景语义分割算法输入输出接口 Input: (1)左右两个摄像头采集的实时图像视频分辨率(整型int) (2)左右两个摄像头采集的实时图像视频格式 (RGB,YUV,MP4等) (3)摄像头标定 ...
汇总|实时性语义分割算法（全）
我们在上篇--汇总|实时性语义分割算法(上篇)中,已经总结了[1]~[12],这里我们继续. [13]用于实时语义分割的双向分割网络 <BiSeNet: Bilateral Segmentati ...
DL之SegNet：SegNet图像分割/语义分割算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之SegNet:SegNet图像分割/语义分割算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略导读基于CNN的神经网络SegNet算法可进行高精度地识别行驶环境. 目录 SegN ...
CV之IS：计算机视觉之图像分割(Image Segmentation)/语义分割算法的简介、使用方法、案例应用之详细攻略
CV之IS:计算机视觉之图像分割(Image Segmentation)/语义分割算法的简介.使用方法.案例应用之详细攻略目录图像分割算法的简介 1.常用的数据集 2.图像分割的评价指标

利用语义分割算法做指针式仪表的读数识别

利用语义分割算法做指针式仪表的读数识别相关推荐

最新文章

热门文章