PyTorch教程-14.9. 语义分割和数据集

jf_pJlTbmA9 2023-06-05 648

电子说

1.3w人已加入

描述

在第 14.3 节-第 14.8 节讨论对象检测任务时，矩形边界框用于标记和预测图像中的对象。本节将讨论语义分割问题，重点关注如何将图像划分为属于不同语义类的区域。与目标检测不同，语义分割在像素级别识别和理解图像中的内容：它对语义区域的标记和预测是在像素级别。图 14.9.1显示了语义分割中图像的狗、猫和背景的标签。与目标检测相比，语义分割中标记的像素级边界明显更细粒度。

数据集

图 14.9.1语义分割中图像的狗、猫和背景的标签。

14.9.1。图像分割和实例分割

计算机视觉领域还有两个与语义分割类似的重要任务，即图像分割和实例分割。我们将如下简要地将它们与语义分割区分开来。

图像分割将图像分成几个组成区域。这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要图像像素的标签信息，也不能保证分割后的区域在预测时具有我们希望得到的语义。以图 14.9.1中的图像作为输入，图像分割可以将狗分成两个区域：一个覆盖以黑色为主的嘴巴和眼睛，另一个覆盖以黄色为主的身体其余部分。

实例分割也称为同时检测和分割。它研究如何识别图像中每个对象实例的像素级区域。与语义分割不同，实例分割不仅需要区分语义，还需要区分不同的对象实例。例如，如果图像中有两只狗，实例分割需要区分一个像素属于这两只狗中的哪一只。

14.9.2。Pascal VOC2012 语义分割数据集

最重要的语义分割数据集之一是Pascal VOC2012。下面，我们将看看这个数据集。

%matplotlib inline
import os
import torch
import torchvision
from d2l import torch as d2l

%matplotlib inline
import os
from mxnet import gluon, image, np, npx
from d2l import mxnet as d2l

npx.set_np()

数据集的 tar 文件大约 2 GB，因此下载文件可能需要一段时间。提取的数据集位于 ../data/VOCdevkit/VOC2012.

#@save
d2l.DATA_HUB['voc2012'] = (d2l.DATA_URL + 'VOCtrainval_11-May-2012.tar',
              '4e443f8a2eca6b1dac8a6c57641b67dd40621a49')

voc_dir = d2l.download_extract('voc2012', 'VOCdevkit/VOC2012')

Downloading ../data/VOCtrainval_11-May-2012.tar from http://d2l-data.s3-accelerate.amazonaws.com/VOCtrainval_11-May-2012.tar...

#@save
d2l.DATA_HUB['voc2012'] = (d2l.DATA_URL + 'VOCtrainval_11-May-2012.tar',
              '4e443f8a2eca6b1dac8a6c57641b67dd40621a49')

voc_dir = d2l.download_extract('voc2012', 'VOCdevkit/VOC2012')

进入路径后../data/VOCdevkit/VOC2012，我们可以看到数据集的不同组成部分。该ImageSets/Segmentation路径包含指定训练和测试样本的文本文件，而 JPEGImages和SegmentationClass路径分别存储每个示例的输入图像和标签。这里的label也是image格式的，和它的labeled input image大小一样。此外，任何标签图像中具有相同颜色的像素属于同一语义类。下面定义了read_voc_images将所有输入图像和标签读入内存的函数。

#@save
def read_voc_images(voc_dir, is_train=True):
  """Read all VOC feature and label images."""
  txt_fname = os.path.join(voc_dir, 'ImageSets', 'Segmentation',
               'train.txt' if is_train else 'val.txt')
  mode = torchvision.io.image.ImageReadMode.RGB
  with open(txt_fname, 'r') as f:
    images = f.read().split()
  features, labels = [], []
  for i, fname in enumerate(images):
    features.append(torchvision.io.read_image(os.path.join(
      voc_dir, 'JPEGImages', f'{fname}.jpg')))
    labels.append(torchvision.io.read_image(os.path.join(
      voc_dir, 'SegmentationClass' ,f'{fname}.png'), mode))
  return features, labels

train_features, train_labels = read_voc_images(voc_dir, True)

#@save
def read_voc_images(voc_dir, is_train=True):
  """Read all VOC feature and label images."""
  txt_fname = os.path.join(voc_dir, 'ImageSets', 'Segmentation',
               'train.txt' if is_train else 'val.txt')
  with open(txt_fname, 'r') as f:
    images = f.read().split()
  features, labels = [], []
  for i, fname in enumerate(images):
    features.append(image.imread(os.path.join(
      voc_dir, 'JPEGImages', f'{fname}.jpg')))
    labels.append(image.imread(os.path.join(
      voc_dir, 'SegmentationClass', f'{fname}.png')))
  return features, labels

train_features, train_labels = read_voc_images(voc_dir, True)

我们绘制前五个输入图像及其标签。在标签图像中，白色和黑色分别代表边框和背景，而其他颜色对应不同的类别。

n = 5
imgs = train_features[:n] + train_labels[:n]
imgs = [img.permute(1,2,0) for img in imgs]
d2l.show_images(imgs, 2, n);

数据集

n = 5
imgs = train_features[:n] + train_labels[:n]
d2l.show_images(imgs, 2, n);

数据集

接下来，我们枚举该数据集中所有标签的 RGB 颜色值和类名。

#@save
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]]

#@save
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']

#@save
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]]

#@save
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']

使用上面定义的两个常量，我们可以方便地找到标签中每个像素的类索引。我们定义了voc_colormap2label 构建从上述 RGB 颜色值到类索引的映射的函数，以及voc_label_indices将任何 RGB 值映射到此 Pascal VOC2012 数据集中它们的类索引的函数。

#@save
def voc_colormap2label():
  """Build the mapping from RGB to class indices for VOC labels."""
  colormap2label = torch.zeros(256 ** 3, dtype=torch.long)
  for i, colormap in enumerate(VOC_COLORMAP):
    colormap2label[
      (colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
  return colormap2label

#@save
def voc_label_indices(colormap, colormap2label):
  """Map any RGB values in VOC labels to their class indices."""
  colormap = colormap.permute(1, 2, 0).numpy().astype('int32')
  idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
      + colormap[:, :, 2])
  return colormap2label[idx]

#@save
def voc_colormap2label():
  """Build the mapping from RGB to class indices for VOC labels."""
  colormap2label = np.zeros(256 ** 3)
  for i, colormap in enumerate(VOC_COLORMAP):
    colormap2label[
      (colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
  return colormap2label

#@save
def voc_label_indices(colormap, colormap2label):
  """Map any RGB values in VOC labels to their class indices."""
  colormap = colormap.astype(np.int32)
  idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
      + colormap[:, :, 2])
  return colormap2label[idx]

例如，在第一个示例图像中，飞机前部的类别索引为 1，而背景索引为 0。

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

(tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
     [0, 0, 0, 0, 0, 0, 0, 1, 1, 1],
     [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
     [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
     [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
     [0, 0, 0, 0, 1, 1, 1, 1, 1, 1],
     [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
     [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
     [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
     [0, 0, 0, 0, 0, 0, 0, 0, 1, 1]]),
 'aeroplane')

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

(array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 1.],
    [0., 0., 0., 0., 0., 0., 0., 1., 1., 1.],
    [0., 0., 0., 0., 0., 0., 1., 1., 1., 1.],
    [0., 0., 0., 0., 0., 1., 1., 1., 1., 1.],
    [0., 0., 0., 0., 0., 1., 1., 1., 1., 1.],
    [0., 0., 0., 0., 1., 1., 1., 1., 1., 1.],
    [0., 0., 0., 0., 0., 1., 1., 1., 1., 1.],
    [0., 0., 0., 0., 0., 1., 1., 1., 1., 1.],
    [0., 0., 0., 0., 0., 0., 1., 1., 1., 1.],
    [0., 0., 0., 0., 0., 0., 0., 0., 1., 1.]]),
 'aeroplane')

14.9.2.1。数据预处理

在之前的实验中，例如第 8.1 节-第 8.4 节中，图像被重新缩放以适应模型所需的输入形状。然而，在语义分割中，这样做需要将预测的像素类重新缩放回输入图像的原始形状。这种重新缩放可能不准确，尤其是对于具有不同类别的分段区域。为避免此问题，我们将图像裁剪为固定形状而不是重新缩放。具体来说，使用图像增强的随机裁剪，我们裁剪输入图像和标签的相同区域。

#@save
def voc_rand_crop(feature, label, height, width):
  """Randomly crop both feature and label images."""
  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, label

imgs = []
for _ in range(n):
  imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)

imgs = [img.permute(1, 2, 0) for img in imgs]
d2l.show_images(imgs[::2] + imgs[1::2], 2, n);

数据集

#@save
def voc_rand_crop(feature, label, height, width):
  """Randomly crop both feature and label images."""
  feature, rect = image.random_crop(feature, (width, height))
  label = image.fixed_crop(label, *rect)
  return feature, label

imgs = []
for _ in range(n):
  imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)
d2l.show_images(imgs[::2] + imgs[1::2], 2, n);

数据集

14.9.2.2。自定义语义分割数据集类

VOCSegDataset 我们通过继承Dataset高级 API 提供的类来定义自定义语义分割数据集类。通过实现该__getitem__函数，我们可以任意访问数据集中索引的输入图像idx以及该图像中每个像素的类索引。由于数据集中的某些图像的尺寸小于随机裁剪的输出尺寸，因此这些示例被自定义函数过滤掉filter。此外，我们还定义了normalize_image函数来标准化输入图像的三个 RGB 通道的值。

#@save
class VOCSegDataset(torch.utils.data.Dataset):
  """A customized dataset to load the VOC 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_size
    features, labels = read_voc_images(voc_dir, is_train=is_train)
    self.features = [self.normalize_image(feature)
             for feature in self.filter(features)]
    self.labels = self.filter(labels)
    self.colormap2label = voc_colormap2label()
    print('read ' + str(len(self.features)) + ' examples')

  def normalize_image(self, img):
    return self.transform(img.float() / 255)

  def filter(self, imgs):
    return [img for img in imgs if (
      img.shape[1] >= self.crop_size[0] and
      img.shape[2] >= self.crop_size[1])]

  def __getitem__(self, idx):
    feature, label = voc_rand_crop(self.features[idx], self.labels[idx],
                    *self.crop_size)
    return (feature, voc_label_indices(label, self.colormap2label))

  def __len__(self):
    return len(self.features)

#@save
class VOCSegDataset(gluon.data.Dataset):
  """A customized dataset to load the VOC dataset."""
  def __init__(self, is_train, crop_size, voc_dir):
    self.rgb_mean = np.array([0.485, 0.456, 0.406])
    self.rgb_std = np.array([0.229, 0.224, 0.225])
    self.crop_size = crop_size
    features, labels = read_voc_images(voc_dir, is_train=is_train)
    self.features = [self.normalize_image(feature)
             for feature in self.filter(features)]
    self.labels = self.filter(labels)
    self.colormap2label = voc_colormap2label()
    print('read ' + str(len(self.features)) + ' examples')

  def normalize_image(self, img):
    return (img.astype('float32') / 255 - self.rgb_mean) / self.rgb_std

  def filter(self, imgs):
    return [img for img in imgs if (
      img.shape[0] >= self.crop_size[0] and
      img.shape[1] >= self.crop_size[1])]

  def __getitem__(self, idx):
    feature, label = voc_rand_crop(self.features[idx], self.labels[idx],
                    *self.crop_size)
    return (feature.transpose(2, 0, 1),
        voc_label_indices(label, self.colormap2label))

  def __len__(self):
    return len(self.features)

14.9.2.3。读取数据集

我们使用自定义VOCSegDataset 类分别创建训练集和测试集的实例。假设我们指定随机裁剪图像的输出形状是320×480. 下面我们可以查看训练集和测试集中保留的示例数量。

crop_size = (320, 480)
voc_train = VOCSegDataset(True, crop_size, voc_dir)
voc_test = VOCSegDataset(False, crop_size, voc_dir)

read 1114 examples
read 1078 examples

crop_size = (320, 480)
voc_train = VOCSegDataset(True, crop_size, voc_dir)
voc_test = VOCSegDataset(False, crop_size, voc_dir)

read 1114 examples
read 1078 examples

将批量大小设置为 64，我们为训练集定义数据迭代器。让我们打印第一个小批量的形状。与图像分类或目标检测不同，这里的标签是三维张量。

batch_size = 64
train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
                  drop_last=True,
                  num_workers=d2l.get_dataloader_workers())
for X, Y in train_iter:
  print(X.shape)
  print(Y.shape)
  break

torch.Size([64, 3, 320, 480])
torch.Size([64, 320, 480])

batch_size = 64
train_iter = gluon.data.DataLoader(voc_train, batch_size, shuffle=True,
                  last_batch='discard',
                  num_workers=d2l.get_dataloader_workers())
for X, Y in train_iter:
  print(X.shape)
  print(Y.shape)
  break

(64, 3, 320, 480)
(64, 320, 480)

14.9.2.4。把它们放在一起

最后，我们定义以下load_data_voc函数来下载和读取 Pascal VOC2012 语义分割数据集。它返回训练和测试数据集的数据迭代器。

#@save
def load_data_voc(batch_size, crop_size):
  """Load the VOC semantic segmentation dataset."""
  voc_dir = d2l.download_extract('voc2012', os.path.join(
    'VOCdevkit', 'VOC2012'))
  num_workers = d2l.get_dataloader_workers()
  train_iter = torch.utils.data.DataLoader(
    VOCSegDataset(True, crop_size, voc_dir), batch_size,
    shuffle=True, drop_last=True, num_workers=num_workers)
  test_iter = torch.utils.data.DataLoader(
    VOCSegDataset(False, crop_size, voc_dir), batch_size,
    drop_last=True, num_workers=num_workers)
  return train_iter, test_iter

#@save
def load_data_voc(batch_size, crop_size):
  """Load the VOC semantic segmentation dataset."""
  voc_dir = d2l.download_extract('voc2012', os.path.join(
    'VOCdevkit', 'VOC2012'))
  num_workers = d2l.get_dataloader_workers()
  train_iter = gluon.data.DataLoader(
    VOCSegDataset(True, crop_size, voc_dir), batch_size,
    shuffle=True, last_batch='discard', num_workers=num_workers)
  test_iter = gluon.data.DataLoader(
    VOCSegDataset(False, crop_size, voc_dir), batch_size,
    last_batch='discard', num_workers=num_workers)
  return train_iter, test_iter

14.9.3。概括

语义分割通过将图像划分为属于不同语义类的区域，以像素级别识别和理解图像中的内容。

最重要的语义分割数据集之一是 Pascal VOC2012。

在语义分割中，由于输入图像和标签在像素上一一对应，输入图像被随机裁剪成固定形状而不是重新缩放。

14.9.4。练习

语义分割如何应用于自动驾驶汽车和医学图像诊断？你能想到其他应用吗？

回想一下14.1 节中对数据扩充的描述。图像分类中使用的哪种图像增强方法不能应用于语义分割？

打开APP阅读更多精彩内容