引言：

出于模型輕量化需求，需對原有的皮膚分割模型進行重新研發(fā)。seaformer是作為今年復旦大學和騰訊聯(lián)合提出的輕量級語義分割算法，具有很好的參考價值。因此，作者基于seaformer算法對自研數(shù)據(jù)集進行訓練，完成輕量級皮膚分割模型的開發(fā)。

一、seaformer源碼下載

1.下載地址：https://github.com/fudan-zvg/SeaFormer

2.解壓到自己的目錄當中，我們主要使用sesaformer-seg，具體結(jié)構(gòu)如下：

二、制作相關數(shù)據(jù)集

1.使用labelme工具對自己的數(shù)據(jù)進行標注，具體不再贅述

2.通過labelme工具進行數(shù)據(jù)標注后，我們可以得到原圖和.json文件

3.將.josn文件批量轉(zhuǎn)換為用于訓練的mask，文件具體格式如下：

批量轉(zhuǎn)換可參考：將labelme的json文件批量轉(zhuǎn)為png形式 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/649269470創(chuàng)建data文件夾，在data文件夾下新建cityscapes文件夾，cityscapes文件夾底下再新建gtFine與leftImg8bit文件夾（gtFine與leftImg8bit同級）。在leftImg8bit文件夾中存放原圖(后綴為.png格式)，gtFine文件夾用來存放8bit的全黑mask圖像（此時暫為空）。具體結(jié)構(gòu)如下：

.json文件完成轉(zhuǎn)換后，第一張全黑的圖片就是我們需要的圖像，參照seaformer中訓練數(shù)據(jù)集cityscapes，要求的標簽圖像格式為8bit（原標簽圖像為24bit），通過以下代碼實現(xiàn)轉(zhuǎn)換:

import cv2
import os

# 24bit to 8bit
bit24_dir = r'E:\Face_Parsing_BiseNetV2-master\ATR\masks'  # 存放.json轉(zhuǎn)換后的24bit全黑圖像文件夾
if not os.path.exists('data/cityscapes/gtFine'):
    os.makedirs('data/cityscapes/gtFine')
bit8_dir = 'data/cityscapes/gtFine'
png_names = os.listdir(bit24_dir)
for i in png_names:
    img = cv2.imread(bit24_dir + '/' + i)
    gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    cv2.imencode('.png', gray)[1].tofile(bit8_dir + '/' + i)

4.創(chuàng)建并運行train_val.py完成訓練數(shù)據(jù)集與測試數(shù)據(jù)集的劃分

import os
import random
import shutil

total_list = []
train_list = []
val_list = []

image_path = 'data/cityscapes/leftImg8bit'
label_path = 'data/cityscapes/gtFine'

# 清空
for dir in ['train', 'val']:
    image_dir = os.path.join(image_path, dir)
    label_dir = os.path.join(label_path, dir)
    if os.path.exists(image_dir):
        shutil.rmtree(image_dir)
    os.makedirs(image_dir)
    if os.path.exists(label_dir):
        shutil.rmtree(label_dir)
    os.makedirs(label_dir)

for root, dirs, files in os.walk(image_path):
    for file in files:
        if file.endswith('png'):
            total_list.append(file)

total_size = len(total_list)
train_size = int(total_size * 0.8)
val_size = total_size - train_size

train_list = random.sample(total_list, train_size)
remain_list = list(set(total_list) - set(train_list))
val_list = random.sample(remain_list, val_size)

for file in total_list:
    image_path_0 = os.path.join(image_path, file)
    label_file = file.split('.')[0] + '.png'
    label_path_0 = os.path.join(label_path, label_file)
    if file in train_list:
        image_path_1 = os.path.join(image_path, 'train', file)
        shutil.move(image_path_0, image_path_1)

        label_path_1 = os.path.join(label_path, 'train', label_file)
        shutil.move(label_path_0, label_path_1)

    elif file in val_list:
        image_path_1 = os.path.join(image_path, 'val', file)
        shutil.move(image_path_0, image_path_1)

        label_path_1 = os.path.join(label_path, 'val', label_file)
        shutil.move(label_path_0, label_path_1)

print(len(total_list))
print(len(train_list))
print(len(val_list))

生成目錄格式：

三、訓練seaformer網(wǎng)絡

1.環(huán)境搭建：

1）conda 虛擬環(huán)境創(chuàng)建

conda create -n your_env_name python=x.x  #python==3.8(作者版本)

2）激活虛擬環(huán)境并安裝pytorch（gpu），建議安裝1.8版本，太高版本的pytorch在安裝mmcv-full時會在build時出現(xiàn)報錯

3）安裝mmcv-full

pip install -U openmim
mim install mmcv-full==1.5.0 #seaformer要求1.3.14版本（1.5.0為作者版本）

4）安裝相關依賴包

cd /home/uboot/chen/SeaFormer-main/seaformer-seg
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

2.修改相關代碼文件

1）修改SeaFormer-main\seaformer-seg\local_configs\seaformer\seaformer_small_1024x512_160k_1x8city.py文件

將num_classes修改為自己的類別數(shù)，background算一個類，其他按照自己的圖像尺寸進行修改。

2）在seaformer-seg下創(chuàng)建modelzoos文件夾，在modelzoos文件夾下創(chuàng)建classification文件夾用于存放seaformer提供的預訓練權(quán)重文件，將下載的預訓練權(quán)重改名為SeaFormer_S.pth。修改SeaFormer-main\seaformer-seg\local_configs\seaformer\seaformer_small.py，改為自己的類別數(shù)并將第一行中的SyncBN改為BN

3）修改SeaFormer-main\seaformer-seg\mmseg\datasets\cityscapes.py,修改為自己的標簽名，顏色隨便填;img_suffix和seg_map_suffix記得修改不然會出現(xiàn)加載不到圖像報錯的情況。

四、開始訓練

bash tools/dist_train.sh local_configs/seaformer/seaformer_small_1024x512_160k_1x8city.py 1

迭代次數(shù)可以在SeaFormer-main\seaformer-seg\local_configs\_base_\schedules\schedule_160k.py中設置

五、結(jié)果輸出

記錄一下，若存在不對的地方，請大家多多包涵~文章來源地址http://www.zghlxwxcb.cn/news/detail-849263.html

到了這里，關于從零開始復現(xiàn)seaformer(語義分割)訓練自己的數(shù)據(jù)集——linux的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！