Colab/PyTorch - 004 Torchvision Semantic Segmentation-编程知识

Colab/PyTorch - 004 Torchvision Semantic Segmentation

1. 源由
2. 语义分割 - 应用
- 2.1 自动驾驶
- 2.2 面部分割
- 2.3 室内物体分割
- 2.4 地理遥感
3. 语义分割 - torchvision
- 3.1 FCN 使用 ResNet-101 语义分割
- - 3.1.1 加载模型
  - 3.1.2 加载图像
  - 3.1.3 预处理图像
  - 3.1.4 网络的前向传播
  - 3.1.5 解码输出
  - 3.1.6 最终结果
- 3.2 使用 DeepLab 语义分割
- 3.3 多物体语义分割
4. 总结
- 4.1 推理时间
- 4.2 模型大小
5. 参考资料

1. 源由

循序渐进的原则：

逻辑上模型是否具备合理性
实测能否线性拟合
实测能否非线性拟合
实测能否多因素（图像）分类问题分析
实测能否多因素（图像）分类模型收敛
实测能否多因素（图像）轮廓勾画
实测能否多因素（图像）目标关联关系分析
实测能否多因素（图像）目标场景分析
。。。。。。

识别物体类别后，接下来就是轮廓勾画了。这样就能在一张大图中将不同类型的目标进行区分，为后面的关联关系，甚至场景分析做好准备。当然，从一个静态的图片分析关联关系，场景分析是非常难的。

对以下图像进行语义分割，轮廓勾画：

在这里插入图片描述
我们可以得到以下图像：正如您所看到的，图像中的每个像素都被分类到其相应的类别。例如，人是一类，自行车是另一类，第三类是背景。简单来说，这就是语义分割的基本原理 - 识别和分离图像中的每个对象，并相应地对它们进行标记。
在这里插入图片描述

2. 语义分割 - 应用

2.1 自动驾驶

在自动驾驶中，驾驶汽车的计算机需要对其前方的道路场景有很好的理解。将汽车、行人、车道和交通标志等物体分割出来非常重要。

在这里插入图片描述

2.2 面部分割

面部分割用于将脸部的每个部分分割成语义上相似的区域——如嘴唇、眼睛等。这在许多现实世界的应用中都非常有用。一个非常有趣的应用可以是虚拟化妆。

在这里插入图片描述

2.3 室内物体分割

在增强现实（AR）和虚拟现实（VR）中。AR 应用可以对整个室内区域进行分割，以了解椅子、桌子、人、墙壁和其他类似物体的位置，从而可以有效地放置和操作虚拟物体。

在这里插入图片描述

2.4 地理遥感

地理遥感是将卫星图像中的每个像素分为一类的一种方式，以便我们可以跟踪每个区域的土地覆盖情况。如果有地区发生严重的森林砍伐，可以采取适当的措施。利用卫星图像进行语义分割可以有许多其他应用。

在这里插入图片描述

3. 语义分割 - torchvision

我们将研究两种基于深度学习的语义分割模型——全卷积网络（FCN）和DeepLab v3。这些模型已经在 COCO 2017 训练集的子集上进行了训练，该子集对应于 PASCAL VOC 数据集。模型支持共计 20 个类别。

在我们开始之前，让我们了解一下模型的输入和输出。

这些模型期望一个三通道图像（RGB），并使用Imagenet的均值和标准差进行归一化，即
mean = [0.485, 0.456, 0.406], std = [0.229, 0.224, 0.225]

因此，输入维度是[Ni x Ci x Hi x Wi]
其中，

Ni -> 批量大小
Ci -> 通道数（即3）
Hi -> 图像的高度
Wi -> 图像的宽度

模型的输出维度是[No x Co x Ho x Wo]
其中，

No -> 批量大小（与Ni相同）
Co -> 数据集的类别数
Ho -> 图像的高度（在几乎所有情况下与Hi相同）
Wo -> 图像的宽度（在几乎所有情况下与Wi相同）

注意：torchvision模型的输出是一个OrderedDict而不是torch.Tensor。在推断（.eval()模式）期间，输出是一个OrderedDict，只有一个键 - out。这个out键保存输出，相应的值的形状是[No x Co x Ho x Wo]。

3.1 FCN 使用 ResNet-101 语义分割

3.1.1 加载模型

现在，我们有一个带有 Resnet101 主干的 FCN 预训练模型。如果缓存中不存在该模型，设置 pretrained=True 标志将会下载模型。.eval 方法将以推断模式加载模型。

from torchvision import models
fcn = models.segmentation.fcn_resnet101(pretrained=True).eval()

/usr/local/lib/python3.10/dist-packages/torchvision/models/_utils.py:208: UserWarning: The parameter 'pretrained' is deprecated since 0.13 and may be removed in the future, please use 'weights' instead.warnings.warn(
/usr/local/lib/python3.10/dist-packages/torchvision/models/_utils.py:223: UserWarning: Arguments other than a weight enum or `None` for 'weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing `weights=FCN_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1`. You can also use `weights=FCN_ResNet101_Weights.DEFAULT` to get the most up-to-date weights.warnings.warn(msg)
Downloading: "https://download.pytorch.org/models/fcn_resnet101_coco-7ecb50ca.pth" to /root/.cache/torch/hub/checkpoints/fcn_resnet101_coco-7ecb50ca.pth
100%|██████████| 208M/208M [00:03<00:00, 57.5MB/s]

3.1.2 加载图像

接下来，让我们获取一张图片！我们直接从 URL 下载一张鸟的图片并保存下来。正如你在代码中将看到的，我们使用 PIL 加载图片。

from PIL import Image
import matplotlib.pyplot as plt
import torch!wget -nv https://static.independent.co.uk/s3fs-public/thumbnails/image/2018/04/10/19/pinyon-jay-bird.jpg -O bird.png
img = Image.open('./bird.png')
plt.imshow(img); plt.show()

2024-05-15 02:18:38 URL:https://static.independent.co.uk/s3fs-public/thumbnails/image/2018/04/10/19/pinyon-jay-bird.jpg [182904/182904] -> "bird.png" [1]

在这里插入图片描述

3.1.3 预处理图像

为了将图像准备成模型推断所需的正确格式，我们需要对其进行预处理和归一化！因此，对于预处理步骤，我们执行以下操作：

将图像调整大小为 (256 x 256)
对其进行中心裁剪为 (224 x 224)
将其转换为张量 —— 图像中的所有值将被缩放，使它们位于 [0, 1] 范围内，而不是原始的 [0, 255] 范围。
使用特定于Imagenet的值对其进行标准化，其中 mean = [0.485, 0.456, 0.406]，std = [0.229, 0.224, 0.225]

最后，我们将图像维度进行扩展，使其从 [C x H x W] 变为 [1 x C x H x W]。这是必需的，因为在通过网络时我们需要一个批次。

# Apply the transformations needed
import torchvision.transforms as T
trf = T.Compose([T.Resize(256),T.CenterCrop(224),T.ToTensor(),T.Normalize(mean = [0.485, 0.456, 0.406],std = [0.229, 0.224, 0.225])])
inp = trf(img).unsqueeze(0)

Torchvision有许多有用的函数。其中之一是Transforms，用于对图像进行预处理。T.Compose 是一个函数，它接受一个列表，其中每个元素都是 transforms 类型。这将返回一个对象，通过该对象我们可以传递图像的批次，所有所需的变换都将应用于所有图像。

让我们看一下应用在图像上的变换：

T.Resize(256)：将图像调整大小为 256 x 256
T.CenterCrop(224)：将图像居中裁剪，使结果大小为 224 x 224
T.ToTensor()：将图像转换为 torch.Tensor 类型，并将值缩放到 [0, 1] 范围内
T.Normalize(mean, std)：使用给定的均值和标准差对图像进行归一化。

3.1.4 网络的前向传播

现在我们有了一个经过预处理和准备好的图像，让我们将其通过模型并获取输出键。

如前所述，模型的输出是一个 OrderedDict，因此我们需要从中获取 out 键来获得模型的输出。

# Pass the input through the net
out = fcn(inp)['out']
print (out.shape)

torch.Size([1, 21, 224, 224])

因此，out 是模型的最终输出。正如之前讨论的，它的形状是 [1 x 21 x H x W]。由于模型是在 21 个类上训练的，输出有 21 个通道！

现在我们需要做的是，将这个具有 21 个通道的输出转换成一个 2D 图像或一个 1 通道图像，其中该图像的每个像素对应一个类！

这个 2D 图像（形状为 [H x W]）将每个像素对应到一个类别标签。请注意，该 2D 图像中的每个（x，y）像素对应于一个介于 0 - 20 之间的数字，代表一个类别。

现在的问题是，我们如何从当前具有维度 [1 x 21 x H x W] 的图像得到这个？

很简单！我们对每个像素位置取最大索引，它代表了该类别。

import numpy as np 
om = torch.argmax(out.squeeze(), dim=0).detach().cpu().numpy() 
print(om.shape)
print(np.unique(om))

(224, 224)
[0 3]

通过处理后，我们现在有了一个 2D 图像，其中每个像素对应一个类别。最后要做的是将这个 2D 图像转换成一个分割地图，其中每个类别标签都转换成一个 RGB 颜色，从而帮助可视化。

3.1.5 解码输出

我们将使用以下函数将这个 2D 图像转换为一个 RGB 图像，其中每个标签都映射到其对应的颜色。

# Define the helper function
def decode_segmap(image, nc=21):label_colors = np.array([(0, 0, 0),  # 0=background# 1=aeroplane, 2=bicycle, 3=bird, 4=boat, 5=bottle(128, 0, 0), (0, 128, 0), (128, 128, 0), (0, 0, 128), (128, 0, 128),# 6=bus, 7=car, 8=cat, 9=chair, 10=cow(0, 128, 128), (128, 128, 128), (64, 0, 0), (192, 0, 0), (64, 128, 0),# 11=dining table, 12=dog, 13=horse, 14=motorbike, 15=person(192, 128, 0), (64, 0, 128), (192, 0, 128), (64, 128, 128), (192, 128, 128),# 16=potted plant, 17=sheep, 18=sofa, 19=train, 20=tv/monitor(0, 64, 0), (128, 64, 0), (0, 192, 0), (128, 192, 0), (0, 64, 128)])r = np.zeros_like(image).astype(np.uint8)g = np.zeros_like(image).astype(np.uint8)b = np.zeros_like(image).astype(np.uint8)for l in range(0, nc):idx = image == lr[idx] = label_colors[l, 0]g[idx] = label_colors[l, 1]b[idx] = label_colors[l, 2]rgb = np.stack([r, g, b], axis=2)return rgb

让我们来看看这个函数的内部操作！

首先，变量 label_colors 存储了每个类别的颜色，按照索引顺序存储。因此，第一个类别（背景）的颜色存储在 label_colors 列表的第 0 个索引位置。第二个类别（飞机）存储在索引 1 处，依此类推。

现在，我们需要从我们拥有的 2D 图像创建一个 RGB 图像。我们创建了三个通道的空 2D 矩阵。

因此，r、g 和 b 是形成最终图像的 RGB 通道的数组。每个数组的形状都是 [H x W]（与 2D 图像的形状相同）。

现在，我们循环遍历我们在 label_colors 中存储的每个类别颜色，并在图像中获取该特定类别标签存在的相应索引。然后，对于每个通道，我们将其对应的颜色放置在具有该类别标签的像素上。

最后，我们将三个单独的通道堆叠在一起，形成一个 RGB 图像。

现在，让我们使用这个函数来查看最终的分割输出！

rgb = decode_segmap(om)
plt.imshow(rgb); plt.show()

在这里插入图片描述
好了！我们已经对图像的输出进行了分割。

那就是那只鸟！

注意：分割后的图像比原始图像小，因为在预处理步骤中对图像进行了调整大小和裁剪。

3.1.6 最终结果

接下来，让我们将所有这些内容整合到一个单一的函数中，并尝试使用更多的图像！

def segment(net, path, show_orig=True, dev='cuda'):img = Image.open(path)if show_orig: plt.imshow(img); plt.axis('off'); plt.show()# Comment the Resize and CenterCrop for better inference resultstrf = T.Compose([T.Resize(640),#T.CenterCrop(224),T.ToTensor(),T.Normalize(mean = [0.485, 0.456, 0.406],std = [0.229, 0.224, 0.225])])inp = trf(img).unsqueeze(0).to(dev)out = net.to(dev)(inp)['out']om = torch.argmax(out.squeeze(), dim=0).detach().cpu().numpy()rgb = decode_segmap(om)plt.imshow(rgb); plt.axis('off'); plt.show()

!wget -nv https://www.learnopencv.com/wp-content/uploads/2021/01/horse-segmentation.jpeg -O horse.png
segment(fcn, './horse.png')

2024-05-15 02:18:46 URL:http://learnopencv.com/wp-content/uploads/2021/01/horse-segmentation.jpeg [128686/128686] -> "horse.png" [1]

在这里插入图片描述

3.2 使用 DeepLab 语义分割

DeepLab 是一种语义分割架构，是由 Google Brain 提出的。让我们看看如何使用它。

dlab = models.segmentation.deeplabv3_resnet101(pretrained=1).eval()

/usr/local/lib/python3.10/dist-packages/torchvision/models/_utils.py:223: UserWarning: Arguments other than a weight enum or `None` for 'weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing `weights=DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1`. You can also use `weights=DeepLabV3_ResNet101_Weights.DEFAULT` to get the most up-to-date weights.warnings.warn(msg)
Downloading: "https://download.pytorch.org/models/deeplabv3_resnet101_coco-586e9e4e.pth" to /root/.cache/torch/hub/checkpoints/deeplabv3_resnet101_coco-586e9e4e.pth
100%|██████████| 233M/233M [00:01<00:00, 154MB/s]

让我们看看如何使用这个模型对同一张图片进行语义分割！我们将使用我们上面定义的同一个函数。

segment(dlab, './horse.png')

在这里插入图片描述

3.3 多物体语义分割

当我们使用具有多个对象的更复杂的图像时，我们可以开始看到使用这两个模型获得的结果之间的一些差异。

让我们来试试吧！

!wget -nv "https://www.learnopencv.com/wp-content/uploads/2021/01/person-segmentation.jpeg" -O person.png
img = Image.open('./person.png')
plt.imshow(img); plt.show()print ('Segmenatation Image on FCN')
segment(fcn, path='./person.png', show_orig=False)print ('Segmenatation Image on DeepLabv3')
segment(dlab, path='./person.png', show_orig=False)

在这里插入图片描述

Segmenatation Image on FCN
Segmenatation Image on DeepLabv3

在这里插入图片描述

好的！现在你可以看到模型之间的差异了吧？

你可以看到 FCN 在捕捉牛腿的连续性方面失败了，而 DeepLabv3 能够捕捉到！

此外，如果我们更仔细地观察牛身上的人手，我们会发现 FCN 模型捕捉得还不错，虽然不是非常完美，但仍然可以，而 DeepLabv3 模型也捕捉到了，但不是那么好！

这些是肉眼可见的一些模型差异！

注意：正如我们之前看到的，输出图像的尺寸比原始图像小，因为原始图像在预处理步骤中被调整大小和裁剪。

尽情尝试一些更多的图像，看看这些模型在不同情况下的表现吧！

4. 总结

到目前为止，已经看到了代码的工作原理以及输出在质量上的表现。

我们将讨论模型的定量方面的特性：

在CPU和GPU上的推断时间
模型的大小。
推断时使用的GPU内存。

测试代码：004 Torchvision Semantic Segmentation

4.1 推理时间

import timedef infer_time(net, path='./horse.png', dev='cuda'):img = Image.open(path)trf = T.Compose([T.Resize(256),T.CenterCrop(224),T.ToTensor(),T.Normalize(mean = [0.485, 0.456, 0.406],std = [0.229, 0.224, 0.225])])inp = trf(img).unsqueeze(0).to(dev)st = time.time()out1 = net.to(dev)(inp)et = time.time()return et - st

avg_over = 100fcn_infer_time_list_cpu = [infer_time(fcn, dev='cpu') for _ in range(avg_over)]
fcn_infer_time_avg_cpu = sum(fcn_infer_time_list_cpu) / avg_overdlab_infer_time_list_cpu = [infer_time(dlab, dev='cpu') for _ in range(avg_over)]
dlab_infer_time_avg_cpu = sum(dlab_infer_time_list_cpu) / avg_overprint ('Inference time for first few calls for FCN      : {}'.format(fcn_infer_time_list_cpu[:10]))
print ('Inference time for first few calls for DeepLabv3: {}'.format(dlab_infer_time_list_cpu[:10]))print ('The Average Inference time on FCN is:     {:.2f}s'.format(fcn_infer_time_avg_cpu))
print ('The Average Inference time on DeepLab is: {:.2f}s'.format(dlab_infer_time_avg_cpu))

On CPU

Inference time for first few calls for FCN      : [1.0962293148040771, 1.41335129737854, 1.4978973865509033, 1.1366255283355713, 0.994088888168335, 1.0438227653503418, 1.0235023498535156, 1.0187690258026123, 1.045358657836914, 1.0086448192596436]
Inference time for first few calls for DeepLabv3: [1.2838966846466064, 1.1889286041259766, 1.4854016304016113, 1.5590059757232666, 1.4725146293640137, 1.1244769096374512, 1.0172410011291504, 0.9699416160583496, 0.9643347263336182, 0.909754753112793]
The Average Inference time on FCN is:     1.11s
The Average Inference time on DeepLab is: 1.04s

On GPU

avg_over = 100fcn_infer_time_list_gpu = [infer_time(fcn) for _ in range(avg_over)]
fcn_infer_time_avg_gpu = sum(fcn_infer_time_list_gpu) / avg_overdlab_infer_time_list_gpu = [infer_time(dlab) for _ in range(avg_over)]
dlab_infer_time_avg_gpu = sum(dlab_infer_time_list_gpu) / avg_overprint ('Inference time for first few calls for FCN      : {}'.format(fcn_infer_time_list_gpu[:10]))
print ('Inference time for first few calls for DeepLabv3: {}'.format(dlab_infer_time_list_gpu[:10]))print ('The Average Inference time on FCN is:     {:.3f}s'.format(fcn_infer_time_avg_gpu))
print ('The Average Inference time on DeepLab is: {:.3f}s'.format(dlab_infer_time_avg_gpu))

Inference time for first few calls for FCN      : [0.16111516952514648, 0.018294334411621094, 0.01825737953186035, 0.01937079429626465, 0.018789291381835938, 0.01917719841003418, 0.018662691116333008, 0.01843094825744629, 0.018068552017211914, 0.018398046493530273]
Inference time for first few calls for DeepLabv3: [0.11033177375793457, 0.020525217056274414, 0.020010948181152344, 0.020022869110107422, 0.0229949951171875, 0.022975921630859375, 0.01997232437133789, 0.02288365364074707, 0.02026224136352539, 0.019922971725463867]
The Average Inference time on FCN is:     0.025s
The Average Inference time on DeepLab is: 0.022s

plt.bar([0.1, 0.2], [fcn_infer_time_avg_cpu, dlab_infer_time_avg_cpu], width=0.08)
plt.ylabel('Time taken in Seconds')
plt.xticks([0.1, 0.2], ['FCN', 'DeepLabv3'])
plt.title('Inference time of FCN and DeepLabv3 on CPU')
plt.show()

在这里插入图片描述

plt.bar([0.1, 0.2], [fcn_infer_time_avg_gpu, dlab_infer_time_avg_gpu], width=0.08)
plt.ylabel('Time taken in Seconds')
plt.xticks([0.1, 0.2], ['FCN', 'DeepLabv3'])
plt.title('Inference time of FCN and DeepLabv3 on GPU')
plt.show()

在这里插入图片描述

我们可以看到 DeepLab 模型比 FCN 更快一些。

4.2 模型大小

import os#/root/.cache/torch/hub/checkpoints/fcn_resnet101_coco-7ecb50ca.pth
#/root/.cache/torch/hub/checkpoints/deeplabv3_resnet101_coco-586e9e4e.pth
#resnet101_size = os.path.getsize('/root/.cache/torch/hub/checkpoints/resnet101-5d3b4d8f.pth')fcn_size = os.path.getsize('/root/.cache/torch/hub/checkpoints/fcn_resnet101_coco-7ecb50ca.pth')
dlab_size = os.path.getsize('/root/.cache/torch/hub/checkpoints/deeplabv3_resnet101_coco-586e9e4e.pth')fcn_total = fcn_size # + resnet101_size
dlab_total = dlab_size # + resnet101_sizeprint ('Size of the FCN model with Resnet101 backbone is:       {:.2f} MB'.format(fcn_total /  (1024 * 1024)))
print ('Size of the DeepLabv3 model with Resnet101 backbone is: {:.2f} MB'.format(dlab_total / (1024 * 1024)))

Size of the FCN model with Resnet101 backbone is:       207.71 MB
Size of the DeepLabv3 model with Resnet101 backbone is: 233.22 MB

plt.bar([0, 1], [fcn_total / (1024 * 1024), dlab_total / (1024 * 1024)])
plt.ylabel('Size of the model in MegaBytes')
plt.xticks([0, 1], ['FCN', 'DeepLabv3'])
plt.title('Comparison of the model size of FCN and DeepLabv3')
plt.show()