pytorch>> refactoring_ndl-lab_deeplab-v3-plus>> 返回
项目作者： MRyo-ie

项目描述 ：
ndl-lab の deeplab-v3-plus のリポジトリのリファクタリングと修正。個人的に。
高级语言： Python
项目地址: git://github.com/MRyo-ie/refactoring_ndl-lab_deeplab-v3-plus.git


表層メタ情報を deeplab v3+（Semantic Segmentaiton） で読み取る。

このプログラムは以下のリポジトリ(MITライセンス)を改変して作成しています。

rishizek’s repo.

Setup

  • 推奨環境
    • Python3
    • TensorFlow (r1.6)以降
  • pip
    1. $ pip3 install -r requirements.txt

Predict

  1. model50ディレクトリを作る。
  2. 学習済重みファイルをダウンロード、解凍して、1. に配置する。
  3. 以下を実行。
    1.  python3 picture_extraction.py --input_dir INPUT_DIR --output_dir OUTPUT_DIR

Train

【準備】 モデル（転移学習用）

  1. ./models/org_resnet/ ディレクトリを作る。
    1.  $ mkdir -p  ./models/org_resnet/
  2. （tensorflowのslimから）resnet_v2_50_2017_04_14.tar.gz を、1. にダウンロードする。
    1.  $ cd  models/org_resnet/
    2.  $ wget http://download.tensorflow.org/models/resnet_v2_50_2017_04_14.tar.gz  ./models/org_resnet/
  3. 解凍
    1.  $ tar -zxvf  resnet_v2_50_2017_04_14.tar.gz

【準備】 データセット

デモデータ（「解体新書」） を試す場合

  • アノテーション画像（教師画像）を生成。
    1.   $ cd data_in
    2.   $ python3 draw_annot_img.py  datas_test
  • アノテーション画像（教師画像）を生成。
    1.   $ python3 create_pascal_tf_record.py  datas_test

他の or 自作の データの場合

  • pascal VOC形式の xml フォーマットで、アノテーションを付与する。
  • データを、作業ディレクトリにコピー
    • data_in/datas/【dataset名】/ 以下に「img」「xml」 ディレクトリを作って、そこにデータを入れる。
      • data_in/datas_demo/ が参考になるはず。
    • 手動で行っても良いが、自動で行うスクリプトを作ったので、それを使っても良い。
      1. 元データのパスを確認する。
        • .zip や .tar.gz の場合は、先に解凍しておく。
        • 相対バスを指定する場合は、この README.md がある位置を基準とする。
      2. スクリプトを使って、作業ディレクトリにコピーする。
        1.  $ cd data_in
        2.  $ python3 copy_dataset.py  【1. のパス】  datas/【dataset名】
        • 【dataset名】 は自分で決める。
        • オプションで以下を追加できる。
          • -m
            • data_in/datas/【dataset名】 ディレクトリがすでに存在する場合、コピーをスキップする。（削除しない）
          • -r
            • 【1. のパス】 以下を、再帰的に探索する。
          • -a
            • データ生成の全ての工程を、一気に（同時に）実行する。
            • これをつけた場合は、以下の「教師データ生成」は実行しなくてOK
            • エラーが出た場合は、↓以下の２つを再度実行すれば OK

  • 教師データ生成

    1. アノテーション画像を生成する。
      1.  $ cd data_in
      2.  $ python3 draw_annot_img.py  datas/【dataset名】 -set_path 【_settings/ のパス】
      • セグメンテーション画像ファイルが data_in/datas/【dataset名】/annot_img に生成される。
      • -set_path
        • 「使用するラベル」「ラベルの順番」を指定するための _settings/ がすでにあるなら、そのパスを指定する。（作業ディレクトリにコピーされる）
        • 初めての場合は、このオプションは使わない。
          • 未指定の場合は、_settings/ が新規作成される。
          • 新規作成されたら、そこで一旦スクリプトが終了するので、設定ファイルを編集する。
          • 以下のようにして書き込む。
            • all.txt
              • 全てのラベル名を書き込む
              • 1ラベルごとに改行する。
              • 例） datas_demo
                1. 1_overall
                2. 2_handwritten
                3. 3_typography
                4. 4_illustration
                5. 5_stamp
                6. 6_headline
                7. 7_caption
                8. 8_textline
                9. 9_table
            • set_order.csv
              • 「使用するラベル」「ラベルの順番」 を指定する。
              • 「使用するラベル」
                • 学習したいラベルだけを書く。
                • 書かなかったラベルは、アノテーション画像には追加されない。
              • 「ラベルの順番」
                • 重なった時に、どのラベルが上に来る（優先される）かを指定する。
                • １行目が一番下の層。
                • 最終行が一番上の層。
              • 例）datas_demo
                1. 1_overall
                2. 4_illustration
                3. 2_handwritten,3_typography
                4. 8_textline
                5. 6_headline,7_caption
                6. 9_table
                • 5_stamp を除外し、2と3、6と8 を同じラベルとして扱う設定例。
                • この例のラベルの次元数は 6。
                • 2次元配列として読み込まれる。
    2. TFRecode を生成する。
      1.  $ python3 create_pascal_tf_record.py  datas/【dataset名】

  • build_dataset.py は、copy_dataset.py と draw_annot_img.py をまとめて実行するスクリプト。

    • copy_dataset.py　を手動で行う（copy_dataset.py が使えない）状況の場合は、これを使う必要はない。
    • create_pascal_tf_record.py は実行する必要がある。
    • 引数は、copy_dataset.py と draw_annot_img.py をまとめたもの。

Training

  • デモ版（「解体新書」2クラス）を実行する場合
    1.   $ python3 train.py  \
    2.           data_in/datas/datas_test \
    3.           --batch_size=1
  • 自分のデータセットを実行する場合
    1.   $ python3 train.py  data_in/datas/【dataset名】

original リポジトリ情報