【DDRNet】DDRNet项目使用单GPU、自己的数据集训练、得到测试图像
最近需要对一些细胞图像进行分割,需要比较几个模型之间的优劣,于是找到了DDRNet。
DDRNet项目来源:https://github.com/chenjun2hao/DDRNet.pytorch
1.前言
电脑环境配置:win11+NVIDIA GeForce RTX 3060 Laptop+CUDA11.7
如果想用他的数据集cityscapes和他的预训练模型,可以根据上面的项目来源中的指示来做,下载好像都要科学上网。
预训练模型选择这个:
cityscapes数据下载:
2.数据集准备
2.1自己数据准备
我的原始数据集是512*512的彩色细胞图像,DDRNet所需要的语义标签图像是8位的灰度图,其中像素点的灰度值即为语义标签的值:
原图如下,我选择了四个标签值【0,1,2,3】分别代表【背景图案,好细胞,坏细胞,细胞边缘】,转化成label后灰度值即为【0,1,2,3】:
上图转化为label之后图像如下:看起来漆黑一片,其实不完全是黑色的。。。
获得了image和label之后,在DDRNet工程项目的data文件夹下创建新的文件夹,我命名为drug,同时在list下创建文件夹drug。将image和label放入文件夹下,同时编辑list下的映射文件,最终data文件夹格式如下:
创建list的相对路径映射文件代码如下:
import os def op_file():# traintrain_image_root = 'image/train/'train_label_root = 'label/train/'train_image_path = 'data/drug/image/train'train_label_path = 'data/drug/label/train'trainImageList = os.listdir(train_image_path)trainLabelList = os.listdir(train_label_path)train_image_list = []for image in trainImageList:train_image_list.append(train_image_root + image)train_label_list = []for label in trainLabelList:train_label_list.append(train_label_root + label)train_list_path = 'data/list/drug/train.lst'file = open(train_list_path, 'w').close()with open(train_list_path, 'w', encoding='utf-8') as f:for i1,i2 in zip(train_image_list, train_label_list):print(i1, i2)f.write(i1 + " " + i2 + "\n")f.close()# testtest_image_root = 'image/test/'test_label_root = 'label/test/'test_image_path = 'data/drug/image/test'testImageList = os.listdir(test_image_path)test_image_list = []for image in testImageList:test_image_list.append(test_image_root + image)test_list_path = 'data/list/drug/test.lst'file = open(test_list_path, 'w').close()with open(test_list_path, 'w', encoding='utf-8') as f:for i1 in test_image_list:f.write(i1 + "\n")f.close()# valval_image_root = 'image/val/'val_label_root = 'label/val/'val_image_path = 'data/drug/image/val'val_label_path = 'data/drug/label/val'valImageList = os.listdir(val_image_path)valLabelList = os.listdir(val_label_path)val_image_list = []for image in valImageList:val_image_list.append(val_image_root + image)val_label_list = []for label in valLabelList:val_label_list.append(val_label_root + label)val_list_path = 'data/list/drug/val.lst'file = open(val_list_path, 'w').close()with open(val_list_path, 'w', encoding='utf-8') as f:for (i1,i2) in zip(val_image_list, val_label_list):f.write(i1 + " " + i2 + "\n")f.close()# trainvaltrainval_list_path = 'data/list/drug/trainval.lst'file = open(trainval_list_path, 'w').close()with open(trainval_list_path, 'w', encoding='utf-8') as f:for (i1,i2) in zip(train_image_list, train_label_list):f.write(i1 + " " + i2 + "\n")f.close()with open(trainval_list_path, 'a', encoding='utf-8') as f:for (i1,i2) in zip(val_image_list, val_label_list):f.write(i1 + " " + i2 + "\n")f.close()if __name__ == '__main__':op_file()
2.2 和自己数据相关的工程代码修改
在lib/datasets下创建Drug.py,复制同级目录下的cityscapes.py,在此基础上修改:
1.文件中的所有和cityscapes都改成drug
2.修改mean和std,这个应该是需要根据原图来进行计算。计算方法https://blog.csdn.net/dcrmg/article/details/102467434
3.修改label_mapping和class_weight
label_mapping需要啥改啥,我就四个标签0,1,2,3...初始权重class_weight需要通过计算得到,计算方法有很多种
4.在_init_.py中导入drug.py
5.打开experiments/cityscapes下的ddrnet23_slim.yaml进行修改:
DATASET是你在data下创建的存放image和label的文件夹,NUM_CLASSES是标签数
根据你的图片大小进行修改,BASE_SIZE我不知道咋搞,但是我改了512没什么问题,就512了,hhhhhh...
如果你的GPU显存不够的话把BATCH_SIZE_PRE_GPU改小吧,我的3060笔记本才6GB的显存
test同理:
6.打开./lib/models/ddrnet_23_slim.py,DualResNet_imagenet函数中的num_classes默认设置成了19,需要修改成自己的:
至此为止,如果你和原文一样有两块GPU的话(原文两块3080),能用DDP的分布式训练的话,应该就能跑了。但很显然,我没有这个条件,还需继续进行修改。
3.修改为单GPU
把train和eval中所有和并行训练的代码注释掉
1.train.py
main()中,注释掉:
else中的并行训练没注释掉,反正也跑不进去
2.eval.py中的并行测试注释掉:
3.ddrnet23_slim.py中
GPUS也可以不用动,反正不并行训练应该也用不上
修改为单GPU好像就这些地方了,可能会漏了一些地方,因为修修改改太多了,有点忘记了,总而言之,把全部和并行训练有关的代码注释掉。
4.训练数据
做好上述工作就可以进行训练了,如果你用的不是ddrnet23_slim.yaml,又直接python trian.py的,需要修改train.py中的parse_args()中的默认配置文件。我使用385张图像训练结果如下:
miou才0.51,之前用600张的结果能达到0.63
5.测试数据
5.1 得到测试结果
现在我们获得一个训练好的模型(用自己的数据),这个模型保存在output文件夹中的best.pth.
修改best.pth为385train.pth,并修改ddrnet23_slim.py中的预训练模型配置,修改为自己的路径(好像不改也没影响,忘记了,不确定)。
修改eval.py,由于配置文件中的TEST.MODEL_FILE被注释掉了,需要修改者eval.py中的代码:
或者修改配置文件:
如果你不需要输出图像,至此就可以进行测试了,但我需要得到分割后的图像,需要继续修改
5.2 得到测试分割图像
eval中是设置了不保存图像的,我们需要修改成保存图像,将sv_pred设置为True
这样还不够,他的testval中的save_pred()多写了一个参数,直接删掉img。
这样你就可以得到分割后的图像了,项目会自动生成一个test_resluts的文件夹,保存了你的分割结果
5.3 测试结果
分割图像结果从广度上来看还行,细节上还有些错误,不过我这个数据集用在这个模型上的结果中是相当好。
【DDRNet】DDRNet项目使用单GPU、自己的数据集训练、得到测试图像相关推荐
- python制作图片数据集_Pytorch自己加载单通道图片用作数据集训练的实例
pytorch 在torchvision包里面有很多的的打包好的数据集,例如minist,Imagenet-12,CIFAR10 和CIFAR100.在torchvision的dataset包里面,用 ...
- Insightface项目爬坑指南+使用本地数据集训练流程(MXNET版)
其实半年多前就已经把insightface训练等一系列环节弄熟了,不得不说IBUG组的这个模型确实是开源界的翘楚,但是还是存在一些问题在某些程度上和商汤云从等大厂存在一点差距,这不妨碍大部分人日常人脸 ...
- 深度学习训练的时候gpu占用0_26秒单GPU训练CIFAR10,Jeff Dean也点赞的深度学习优化技巧...
选自myrtle.ai 机器之心编译机器之心编辑部 26 秒内用 ResNet 训练 CIFAR10?一块 GPU 也能这么干.近日,myrtle.ai 科学家 David Page 提出了一大堆针对 ...
- 数据结构上机实践第四周项目3 - 单链表应用
[项目3 - 单链表应用] 算法的建立就是为了应用所服务的,学会方法,真正能应用才是王道. 应用要求如下: 完成下面的应用时,除项目中给出的特殊要求,其余工作均可利用项目2完成的算法支持. 1.设计 ...
- 软件项目接单渠道丨软件公司项目接单平台
互联网这些年发展的速度,想必大家也都看到了.所有的东西发展太快就会有利有弊,需要后期的一个处理,互联网发展生活扩展了视野和思维,骗子多了,软件多了,平台多了,个人信息感觉不安全了.每个事情都会物极必反 ...
- 指令集入选重庆市工业和信息化领域“揭榜挂帅”项目榜单
近日,重庆市工业和信息化领域"揭榜挂帅"项目榜单(工业软件方向第一批)揭榜单位正式发布,共涉及5个项目榜单及多个揭榜企业,每个揭榜项目将获专项资金扶持. 本次"揭榜挂帅& ...
- 武汉市科技重大专项项目榜单申报条件、流程时间
武汉市采取"揭榜挂帅"方式组织实施"基于大数据的工业控制网络安全态势感知与智能管控技术及平台"项目,本文整理了有关内容,看完之后还有不明白的地方欢迎咨询. 揭榜 ...
- 【Xtecher联合中投协权威发布】十大领域,百家“最具价值”科技项目榜单
网址|www.xtecher.com 微信公众号ID|Xtecher 4月18日, Xtecher与中国投资协会投资咨询专业委员会联合举办的<2018智·创未来大会>--首届"十 ...
- 阿里公开自研AI集群细节:64个GPU,百万分类训练速度提升4倍
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 编辑:Sophia 计算机视觉联盟 报道 | 公众号 CVLianMeng 转载于 :量子位 AI博士笔记系列推 ...
最新文章
- python 申请内存空间、用于创建多维数组_python 申请内存空间,用于创建多维数组的实例...
- 快讯 | 清华数为物联网数据库IoTDB被评为“优秀大数据产品”
- 在线编辑器 上传控件
- sublime text 安装Package Control
- android studio 模拟器中文乱码
- AP(无线访问接入点(WirelessAccessPoint))
- 看完后完全了解 Vue 2.0 和 Vue 3.0 的区别
- java bean状态_无状态和有状态企业Java Bean
- python创建空元组_用Python创建空元组
- cad插入块_CAD中的quot;块quot;能否修改?能!一个命令可快速解决
- Thanos 开源的大规模Prometheus集群解决方案
- [原]LVM管理与虚拟机管理
- Android Fragment-APP调用其他APP中的Fragment 1
- 【python基础学习必备小手册(适合新手)详细教程】
- 操作系统实验Lab 2:system calls(MIT 6.S081 FALL 2020)
- SSRF深度解析Gopher协议
- (d2l-ai/d2l-zh)《动手学深度学习》pytorch 笔记(3)前言(介绍各种机器学习问题)以及数据操作预备知识Ⅲ(概率)
- Enriched Feature Guided Refinement Network for Object Detection(面向目标检测的丰富特征引导细化网络)
- rhce考试linux环境,RHCSA考试题及RHCE考试题
- 分享一些数据库使用的心得
热门文章
- 用css伪元素制作箭头图标
- excel怎么启用宏_怎么使用Excel制作条形码?操作如此简单
- 升级mac系统正在计算机,苹果电脑系统更新,能用手机 APP 了,但我不建议你升级...
- 业界红包玩法与技术方案总结
- [ Arduino+Python ] 做一个串口屏,显示CPU使用率
- Redis命令-集合-scard
- .net函数查询_Java百宝箱——实现ip地址、手机号、身份证号归属地查询
- 《AlignedReID: Surpassing Human-Level Performance in Person Re-Identification》论文解读
- Pumpkin Garden 靶场实战
- 通过注册表设置默认打印机的方法