一. 语义分割和数据集

1. 介绍

目标检测问题中使用方形边界框来标注和预测图像中的目标，而语义分割（semantic segmentation）问题，重点关注于如何将图像分割成属于不同语义类别的区域。与目标检测不同，语义分割可以识别并理解图像中每一个像素的内容：其语义区域的标注和预测是像素级的。如下图所示展示了语义分割中图像有关狗、猫和背景的标签，与目标检测相比，语义分割标注的像素级的边框显然更加精细。

2. 图像分割和实例分割

计算机视觉领域还有2个与语义分割相似的重要问题，即图像分割（image segmentation）和实例分割（instance segmentation）。下面将他们同语义分割简单区分一下。

图像分割将图像划分为若干组成区域，这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。以如上图图像作为输入，图像分割可能会将狗分为两个区域：一个覆盖以黑色为主的嘴和眼睛，另一个覆盖以黄色为主的其余部分身体。
实例分割也叫同时检测并分割（simultaneous detection and segmentation），它研究如何识别图像中各个目标实例的像素级区域。与语义分割不同，实例分割不仅需要区分语义，还要区分不同的目标实例。如上图图像中有两条狗，则实例分割需要区分像素属于的两条狗中的哪一条。

3. 语义分割数据集 Pascal VOC2012

3.1 语义分割数据集最重要的之一是Pascal VOC2012，数据集的tar文件大约为2GB。提取出的数据集位于. ./data/VOCdevkit/VOC2012

import torch
import torchvision
import d2l.torch
import os
d2l.torch.DATA_HUB['voc2012'] = (d2l.torch.DATA_URL + 'VOCtrainval_11-May-2012.tar','4e443f8a2eca6b1dac8a6c57641b67dd40621a49')
voc_dir = d2l.torch.download_extract('voc2012', 'VOCdevkit/VOC2012')
print('voc_dir = ',voc_dir)

3.2 进入路径. ./data/VOCdevkit/VOC2012之后，可以看到数据集的不同组件。 ImageSets/Segmentation路径包含用于训练和测试样本的文本文件，而JPEGImages和SegmentationClass路径分别存储着每个示例的输入图像和标签，此处的标签也采用图像格式，其尺寸和它所标注的输入图像的尺寸相同。此外，标签中颜色相同的像素属于同一个语义类别。 下面将read_voc_images()函数定义为将所有输入的图像和标签读入内存。

 """读取所有VOC图像并标注"""
def read_voc_images(voc_dir,is_train=True):fpath = os.path.join(voc_dir,'ImageSets','Segmentation','train.txt' if is_train else 'val.txt')with open(fpath,'r') as f:images_name = f.read().split()print('images_name.len = ',len(images_name))mode = torchvision.io.image.ImageReadMode.RGBimages_feature,images_label = [],[]for image_name in images_name:image_path = os.path.join(voc_dir,'JPEGImages',f'{image_name}.jpg')label_path = os.path.join(voc_dir,'SegmentationClass',f'{image_name}.png')images_feature.append(torchvision.io.read_image(image_path))images_label.append(torchvision.io.read_image(label_path,mode))return images_feature,images_label
train_images,train_labels = read_voc_images(voc_dir,True)
len(train_images),len(train_labels)

3.3 绘制前5个输入图像及其标签，在标签图像中，白色和黑色分别表示边框和背景，而其他颜色则对应不同的类别，结果如下图所示。

n = 5
imgs = train_images[0:n]+train_labels[0:n]
imgs = [image.permute(1,2,0) for image in imgs]
d2l.torch.show_images(imgs,2,n)

3.4 列举RGB颜色值和类名

VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],[0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],[64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],[64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],[0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],[0, 64, 128]]VOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat','bottle', 'bus', 'car', 'cat', 'chair', 'cow','diningtable', 'dog', 'horse', 'motorbike', 'person','potted plant', 'sheep', 'sofa', 'train', 'tv/monitor']

3.5 通过上面定义的两个常量，可以方便地查找标签中每个像素的类索引。定义voc_colormap2label（）函数来构建从上述RGB颜色值到类别索引的映射，而voc_label_indices（）函数将RGB值映射到在Pascal VOC2012数据集中的类别索引。

'''构建从RGB到VOC类别索引的映射'''
def voc_colormap2label():colormaplabel = torch.zeros(256**3,dtype=torch.long)for i,colormap in enumerate(VOC_COLORMAP):idx = (colormap[0]*256+colormap[1])*256+colormap[2]colormaplabel[idx] = ireturn colormaplabel
"""将VOC标签中的RGB值映射到它们对应的类别索引"""
def voc_label_indices(label,colormaplabel):label = label.permute(1,2,0).numpy().astype('int32')idxs = [(label[:,:,0]*256+label[:,:,1])*256+label[:,:,2]]return colormaplabel[idxs]

例如在第一张样本图像中，飞机头部区域的类别索引为1，而背景索引为0，如下图所示。

y = voc_label_indices(train_labels[0],voc_colormap2label())
y[105:115,130:140],VOC_CLASSES[1]

4. 预处理数据

**以前网络对图片预处理是通过缩放图像使其符合模型的输入形状，然而在语义分割中，这样做需要将预测的像素类别重新映射回原始尺寸的输入图像。这样的映射可能不够精确，尤其在不同语义的分割区域。为了避免这个问题，需要将图像裁剪为固定尺寸，而不是缩放。具体来说，使用图像增广中的随机裁剪，裁剪输入图像和标签的相同区域，**输出结果如下图所示。

"""随机裁剪特征和标签图像"""
def voc_rand_crop(feature,label,height,width):rect = torchvision.transforms.RandomCrop.get_params(feature,(height,width))feature = torchvision.transforms.functional.crop(feature,*rect)label = torchvision.transforms.functional.crop(label,*rect)return feature,labelimgs = []
for _ in range(n):imgs += voc_rand_crop(train_images[0],train_labels[0],200,300)
imgs = [img.permute(1,2,0) for img in imgs]
d2l.torch.show_images(imgs[::2]+imgs[1::2],2,n)

5. 自定义语义分割数据集类

通过继承高级API提供的Dataset类，自定义一个语义分割数据集类VOCSegDataset。通过实现_ getitem _函数，可以任意访问数据集中索引为item的输入图像及其每个像素的类别索引，由于数据集中有些图像的尺寸可能小于随机裁剪所指定的输出尺寸，这些样本可以通过自定义的filter函数移除掉。此外定义了normalize_image函数，从而对输入图像的RGB三个通道的值分别做标准化。

"""一个用于加载VOC数据集的自定义数据集"""
class VOCSegDataset(torch.utils.data.Dataset):def __init__(self,is_train,crop_size,voc_dir):self.transform = torchvision.transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])self.crop_size = crop_sizefeatures,labels = read_voc_images(voc_dir,is_train)self.features = [self.transform_normalize(feature) for feature in self.filter(features)]self.labels = self.filter(labels)self.colormap2label = voc_colormap2label()print('dataset.len =',len(self.features))def filter(self,images):images = [image for image in images if (image.shape[1]>=self.crop_size[0] and image.shape[2]>=self.crop_size[1])]return imagesdef transform_normalize(self,image):return self.transform(image.float()/255)def __getitem__(self, item):feature,label = voc_rand_crop(self.features[item],self.labels[item],*self.crop_size)return (feature,voc_label_indices(label,self.colormap2label))def __len__(self):return len(self.features)

6. 读取数据集

通过自定义的VOCSegDataset类来分别创建训练集和测试集的实例，假设指定随机裁剪的输出图像的形状为 320×480 ，下面可以查看训练集和测试集所保留的样本个数。

crop_size = (320,480)
voc_train = VOCSegDataset(is_train=True,crop_size=crop_size,voc_dir=voc_dir)
voc_val = VOCSegDataset(is_train=False,crop_size=crop_size,voc_dir=voc_dir)
'''
输出结果如下：
images_name.len =  1464
dataset.len = 1114
images_name.len =  1449
dataset.len = 1078
'''

设批量大小为64，定义训练集的迭代器，打印第一个小批量的形状会发现：与图像分类或目标检测不同，这里的标签是一个三维数组。

batch_size = 64
train_iter = torch.utils.data.DataLoader(voc_train,batch_size,shuffle=True,drop_last=True,num_workers = d2l.torch.get_dataloader_workers())
for X,Y in train_iter:print(X.shape)print(Y.shape)break
'''
输出结果如下：
torch.Size([64, 3, 320, 480])
torch.Size([64, 320, 480])
'''

7. 整合所有组件

定义load_data_voc（）函数来下载并读取Pascal VOC2012语义分割数据集，并且返回训练集和测试集的数据迭代器。

def load_data_voc(crop_size,batch_size):"""加载VOC语义分割数据集"""voc_dir = d2l.torch.download_extract('voc2012', os.path.join('VOCdevkit', 'VOC2012'))num_workers = d2l.torch.get_dataloader_workers()voc_train = VOCSegDataset(is_train=True,crop_size=crop_size,voc_dir=voc_dir)voc_val = VOCSegDataset(is_train=False,crop_size=crop_size,voc_dir=voc_dir)train_iter = torch.utils.data.DataLoader(voc_train,batch_size,shuffle=True,drop_last=True,num_workers=num_workers)val_iter = torch.utils.data.DataLoader(voc_val,batch_size,shuffle=False,drop_last=True,num_workers=num_workers)return (train_iter,val_iter)

8. 小结

语义分割通过将图像划分为属于不同语义类别的区域，来识别并理解图像中像素级别的内容。
由于语义分割的输入图像和标签在像素上一一对应，输入图像会被随机裁剪为固定尺寸而不是缩放，标签跟输入图像裁剪的区域是一一对应的。
语义分割的一个重要的数据集之一是Pascal VOC2012。

9.全部代码

import torch
import torchvision
import d2l.torch
import osd2l.torch.DATA_HUB['voc2012'] = (d2l.torch.DATA_URL + 'VOCtrainval_11-May-2012.tar','4e443f8a2eca6b1dac8a6c57641b67dd40621a49')
voc_dir = d2l.torch.download_extract('voc2012', 'VOCdevkit/VOC2012')
print('voc_dir = ', voc_dir)"""读取所有VOC图像并标注"""
def read_voc_images(voc_dir, is_train=True):fpath = os.path.join(voc_dir, 'ImageSets', 'Segmentation', 'train.txt' if is_train else 'val.txt')with open(fpath, 'r') as f:images_name = f.read().split()print('images_name.len = ', len(images_name))mode = torchvision.io.image.ImageReadMode.RGBimages_feature, images_label = [], []for image_name in images_name:image_path = os.path.join(voc_dir, 'JPEGImages', f'{image_name}.jpg')label_path = os.path.join(voc_dir, 'SegmentationClass', f'{image_name}.png')images_feature.append(torchvision.io.read_image(image_path))images_label.append(torchvision.io.read_image(label_path, mode))return images_feature, images_labeltrain_images, train_labels = read_voc_images(voc_dir, True)
len(train_images), len(train_labels)
n = 5
imgs = train_images[0:n] + train_labels[0:n]
imgs = [image.permute(1, 2, 0) for image in imgs]
d2l.torch.show_images(imgs, 2, n)
VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],[0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],[64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],[64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],[0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],[0, 64, 128]]VOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat','bottle', 'bus', 'car', 'cat', 'chair', 'cow','diningtable', 'dog', 'horse', 'motorbike', 'person','potted plant', 'sheep', 'sofa', 'train', 'tv/monitor']'''构建从RGB到VOC类别索引的映射'''
def voc_colormap2label():colormaplabel = torch.zeros(256 ** 3, dtype=torch.long)for i, colormap in enumerate(VOC_COLORMAP):idx = (colormap[0] * 256 + colormap[1]) * 256 + colormap[2]colormaplabel[idx] = ireturn colormaplabel"""将VOC标签中的RGB值映射到它们对应的类别索引"""
def voc_label_indices(label, colormaplabel):label = label.permute(1, 2, 0).numpy().astype('int32')idxs = [(label[:, :, 0] * 256 + label[:, :, 1]) * 256 + label[:, :, 2]]return colormaplabel[idxs]y = voc_label_indices(train_labels[0], voc_colormap2label())
y[105:115, 130:140], VOC_CLASSES[1]"""随机裁剪特征和标签图像"""
def voc_rand_crop(feature, label, height, width):rect = torchvision.transforms.RandomCrop.get_params(feature, (height, width))feature = torchvision.transforms.functional.crop(feature, *rect)label = torchvision.transforms.functional.crop(label, *rect)return feature, labelimgs = []
for _ in range(n):imgs += voc_rand_crop(train_images[0], train_labels[0], 200, 300)
imgs = [img.permute(1, 2, 0) for img in imgs]
d2l.torch.show_images(imgs[::2] + imgs[1::2], 2, n)"""一个用于加载VOC数据集的自定义数据集"""
class VOCSegDataset(torch.utils.data.Dataset):def __init__(self, is_train, crop_size, voc_dir):self.transform = torchvision.transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])self.crop_size = crop_sizefeatures, labels = read_voc_images(voc_dir, is_train)self.features = [self.transform_normalize(feature) for feature in self.filter(features)]self.labels = self.filter(labels)self.colormap2label = voc_colormap2label()print('dataset.len =', len(self.features))def filter(self, images):images = [image for image in images if(image.shape[1] >= self.crop_size[0] and image.shape[2] >= self.crop_size[1])]return imagesdef transform_normalize(self, image):return self.transform(image.float() / 255)def __getitem__(self, item):feature, label = voc_rand_crop(self.features[item], self.labels[item], *self.crop_size)return (feature, voc_label_indices(label, self.colormap2label))def __len__(self):return len(self.features)crop_size = (320, 480)
voc_train = VOCSegDataset(is_train=True, crop_size=crop_size, voc_dir=voc_dir)
voc_val = VOCSegDataset(is_train=False, crop_size=crop_size, voc_dir=voc_dir)
batch_size = 64
train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True, drop_last=True,num_workers=d2l.torch.get_dataloader_workers())
for X, Y in train_iter:print(X.shape)print(Y.shape)breakdef load_data_voc(crop_size, batch_size):"""加载VOC语义分割数据集"""voc_dir = d2l.torch.download_extract('voc2012', os.path.join('VOCdevkit', 'VOC2012'))num_workers = d2l.torch.get_dataloader_workers()voc_train = VOCSegDataset(is_train=True, crop_size=crop_size, voc_dir=voc_dir)voc_val = VOCSegDataset(is_train=False, crop_size=crop_size, voc_dir=voc_dir)train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True, drop_last=True,num_workers=num_workers)val_iter = torch.utils.data.DataLoader(voc_val, batch_size, shuffle=False, drop_last=True, num_workers=num_workers)return (train_iter, val_iter)

10.链接

语义分割第一篇：李沐动手学深度学习V2-语义分割和Pascal VOC2012数据集加载代码实现
语义分割第二篇：李沐动手学深度学习V2-转置卷积和代码实现
语义分割第三篇：李沐动手学深度学习V2-语义分割全卷积网络FCN和代码实现

李沐动手学深度学习V2-语义分割和Pascal VOC2012数据集加载代码实现相关推荐

李沐动手学深度学习v2/总结1
总结编码过程数据数据预处理模型参数,初始化参数超参数损失函数,先计算损失,清空梯度(防止有累积的梯度),再对损失后向传播计算损失关于参数的梯度优化算法,使用优化算法更新参数训练求参数 ...
14李沐动手学深度学习v2/权重衰退简洁实现
# 权重衰退是广泛应用的正则化技术 %matplotlib inline import torch from torch import nn from d2l import torch as d2l ...
李沐动手学深度学习V2-全卷积网络FCN和代码实现
一.全卷积网络FCN 1. 介绍语义分割是对图像中的每个像素分类,全卷积网络(fully convolutional network,FCN)采用卷积神经网络实现了从图像像素到像素类别的变换 ,与前 ...
李沐动手学深度学习(pytorch版本)d2lzh_pytorch包的缺少安装问题
学习深度学习时候,很多人参考的是李沐的动手学深度学习Pytorch版本(附上官方地址:https://tangshusen.me/Dive-into-DL-PyTorch/#/). 在学习3.5.1节 ...
【李沐动手学深度学习】读书笔记 01前言
虽然之前已经学过这部分内容和深度学习中的基础知识,但总觉得学的不够系统扎实,所以希望再通过沐神的课程以及书籍,系统条理的学习一遍.在读书过程中,利用导图做了一下梳理,形成了这个读书笔记.如有侵权,请联 ...
关于李沐动手学深度学习（d2l）pytorch环境本地配置
本地安装d2l 由于之前试了很多次d2l课本的安装方法失败了,这里提供一种我可以成功安装d2l包的方法. pytorch安装首先安装cuda.cudnn.pytroch(gpu版本).可以参考这篇文 ...
李沐动手学深度学习：08 线性回归（代码逐行理解）
目录一.相关资料连接 1.1 李沐视频 1.2 代码.PPT 二.代码及笔记(使用Jupyter Notebook) 2.1 线性回归从零开始实现 2.1.1 基本概念 2.1.2 基础优化算法 2 ...
windows上配置深度学习（李沐-动手学深度学习）
1.安装miniconda windows下安装,去清华大学开源镜像下载,速度比较快. 选中Miniconda3-latest-Windos-x86_64.exe下载安装包(目前最新的是py3.9) ...
李沐动手学深度学习第四章-4.9.环境和分布偏移
我们从来没有想过数据最初从哪里来?以及我们计划最终如何处理模型的输出? 根据测试集的精度衡量,模型表现得非常出色. 但是当数据分布突然改变时,模型在部署中会出现灾难性的失败. 解决方案很简单(要求&q ...
李沐动手学深度学习V2-图像增广和代码实现
图像增广大型数据集是成功应用深度神经网络的先决条件,因为解决了大型复杂网络的过拟合性. 图像增广在对训练图像进行一系列的随机变化之后,生成相似但不同的训练样本,从而扩大了训练集的规模. 此外,应用图 ...

李沐动手学深度学习V2-语义分割和Pascal VOC2012数据集加载代码实现