|
|
|
|
|
# 9.9 语义分割和数据集
|
|
|
|
|
|
|
|
|
|
|
|
在前几节讨论的目标检测问题中，我们一直使用方形边界框来标注和预测图像中的目标。本节将探讨语义分割（semantic segmentation）问题，它关注如何将图像分割成属于不同语义类别的区域。值得一提的是，这些语义区域的标注和预测都是像素级的。图9.10展示了语义分割中图像有关狗、猫和背景的标签。可以看到，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。
|
|
|
|
|
|
|
|
|
|
|
|
<div align=center>
|
|
|
|
|
|
<img width="400" src="../img/chapter09/9.9_segmentation.svg"/>
|
|
|
|
|
|
</div>
|
|
|
|
|
|
<div align=center>图9.10 语义分割中图像有关狗、猫和背景的标签</div>
|
|
|
|
|
|
|
|
|
|
|
|
## 9.9.1 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）。我们在这里将它们与语义分割简单区分一下。
|
|
|
|
|
|
|
|
|
|
|
|
* 图像分割将图像分割成若干组成区域。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。以图9.10的图像为输入，图像分割可能将狗分割成两个区域：一个覆盖以黑色为主的嘴巴和眼睛，而另一个覆盖以黄色为主的其余部分身体。
|
|
|
|
|
|
* 实例分割又叫同时检测并分割（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。与语义分割有所不同，实例分割不仅需要区分语义，还要区分不同的目标实例。如果图像中有两只狗，实例分割需要区分像素属于这两只狗中的哪一只。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
## 9.9.2 Pascal VOC2012语义分割数据集
|
|
|
|
|
|
|
|
|
|
|
|
语义分割的一个重要数据集叫作Pascal VOC2012 [1]。为了更好地了解这个数据集，我们先导入实验所需的包或模块。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
%matplotlib inline
|
|
|
|
|
|
import time
|
|
|
|
|
|
import torch
|
|
|
|
|
|
import torch.nn.functional as F
|
|
|
|
|
|
import torchvision
|
|
|
|
|
|
import numpy as np
|
|
|
|
|
|
from PIL import Image
|
|
|
|
|
|
from tqdm import tqdm
|
|
|
|
|
|
|
|
|
|
|
|
import sys
|
|
|
|
|
|
sys.path.append("..")
|
|
|
|
|
|
import d2lzh_pytorch as d2l
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
我们先下载这个数据集的压缩包（[下载地址](http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar)）。压缩包大小是2 GB左右，下载需要一定时间。下载后解压得到`VOCdevkit/VOC2012`文件夹，然后将其放置在`data`文件夹下。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
!ls ../../data/VOCdevkit/VOC2012
|
|
|
|
|
|
```
|
|
|
|
|
|
```
|
|
|
|
|
|
Annotations JPEGImages SegmentationObject
|
|
|
|
|
|
ImageSets SegmentationClass
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
进入`../../data/VOCdevkit/VOC2012`路径后，我们可以获取数据集的不同组成部分。其中`ImageSets/Segmentation`路径包含了指定训练和测试样本的文本文件，而`JPEGImages`和`SegmentationClass`路径下分别包含了样本的输入图像和标签。这里的标签也是图像格式，其尺寸和它所标注的输入图像的尺寸相同。标签中颜色相同的像素属于同一个语义类别。下面定义`read_voc_images`函数将输入图像和标签读进内存。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
# 本函数已保存在d2lzh_pytorch中方便以后使用
|
|
|
|
|
|
def read_voc_images(root="../../data/VOCdevkit/VOC2012",
|
|
|
|
|
|
is_train=True, max_num=None):
|
|
|
|
|
|
txt_fname = '%s/ImageSets/Segmentation/%s' % (
|
|
|
|
|
|
root, 'train.txt' if is_train else 'val.txt')
|
|
|
|
|
|
with open(txt_fname, 'r') as f:
|
|
|
|
|
|
images = f.read().split()
|
|
|
|
|
|
if max_num is not None:
|
|
|
|
|
|
images = images[:min(max_num, len(images))]
|
|
|
|
|
|
features, labels = [None] * len(images), [None] * len(images)
|
|
|
|
|
|
for i, fname in tqdm(enumerate(images)):
|
|
|
|
|
|
features[i] = Image.open('%s/JPEGImages/%s.jpg' % (root, fname)).convert("RGB")
|
|
|
|
|
|
labels[i] = Image.open('%s/SegmentationClass/%s.png' % (root, fname)).convert("RGB")
|
|
|
|
|
|
return features, labels # PIL image
|
|
|
|
|
|
|
|
|
|
|
|
voc_dir = "../../data/VOCdevkit/VOC2012"
|
|
|
|
|
|
train_features, train_labels = read_voc_images(voc_dir, max_num=100)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
我们画出前5张输入图像和它们的标签。在标签图像中，白色和黑色分别代表边框和背景，而其他不同的颜色则对应不同的类别。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
n = 5
|
|
|
|
|
|
imgs = train_features[0:n] + train_labels[0:n]
|
|
|
|
|
|
d2l.show_images(imgs, 2, n);
|
|
|
|
|
|
```
|
|
|
|
|
|
<div align=center>
|
|
|
|
|
|
<img width="500" src="../img/chapter09/9.9_output1.png"/>
|
|
|
|
|
|
</div>
|
|
|
|
|
|
|
|
|
|
|
|
接下来，我们列出标签中每个RGB颜色的值及其标注的类别。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
# 本函数已保存在d2lzh_pytorch中方便以后使用
|
|
|
|
|
|
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]]
|
|
|
|
|
|
# 本函数已保存在d2lzh_pytorch中方便以后使用
|
|
|
|
|
|
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']
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
有了上面定义的两个常量以后，我们可以很容易地查找标签中每个像素的类别索引。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
colormap2label = torch.zeros(256 ** 3, dtype=torch.uint8)
|
|
|
|
|
|
for i, colormap in enumerate(VOC_COLORMAP):
|
|
|
|
|
|
colormap2label[(colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
|
|
|
|
|
|
|
|
|
|
|
|
# 本函数已保存在d2lzh_pytorch中方便以后使用
|
|
|
|
|
|
def voc_label_indices(colormap, colormap2label):
|
|
|
|
|
|
"""
|
|
|
|
|
|
convert colormap (PIL image) to colormap2label (uint8 tensor).
|
|
|
|
|
|
"""
|
|
|
|
|
|
colormap = np.array(colormap.convert("RGB")).astype('int32')
|
|
|
|
|
|
idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
|
|
|
|
|
|
+ colormap[:, :, 2])
|
|
|
|
|
|
return colormap2label[idx]
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
例如，第一张样本图像中飞机头部区域的类别索引为1，而背景全是0。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
y = voc_label_indices(train_labels[0], colormap2label)
|
|
|
|
|
|
y[105:115, 130:140], VOC_CLASSES[1]
|
|
|
|
|
|
```
|
|
|
|
|
|
输出:
|
|
|
|
|
|
```
|
|
|
|
|
|
(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]], dtype=torch.uint8), 'aeroplane')
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
### 9.9.2.1 预处理数据
|
|
|
|
|
|
|
|
|
|
|
|
在之前的章节中，我们通过缩放图像使其符合模型的输入形状。然而在语义分割里，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。这样的映射难以做到精确，尤其在不同语义的分割区域。为了避免这个问题，我们将图像裁剪成固定尺寸而不是缩放。具体来说，我们使用图像增广里的随机裁剪，并对输入图像和标签裁剪相同区域。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
# 本函数已保存在d2lzh_pytorch中方便以后使用
|
|
|
|
|
|
def voc_rand_crop(feature, label, height, width):
|
|
|
|
|
|
"""
|
|
|
|
|
|
Random crop feature (PIL image) and label (PIL image).
|
|
|
|
|
|
"""
|
|
|
|
|
|
i, j, h, w = torchvision.transforms.RandomCrop.get_params(
|
|
|
|
|
|
feature, output_size=(height, width))
|
|
|
|
|
|
|
|
|
|
|
|
feature = torchvision.transforms.functional.crop(feature, i, j, h, w)
|
|
|
|
|
|
label = torchvision.transforms.functional.crop(label, i, j, h, w)
|
|
|
|
|
|
|
|
|
|
|
|
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);
|
|
|
|
|
|
```
|
|
|
|
|
|
<div align=center>
|
|
|
|
|
|
<img width="500" src="../img/chapter09/9.9_output2.png"/>
|
|
|
|
|
|
</div>
|
|
|
|
|
|
|
|
|
|
|
|
### 9.9.2.2 自定义语义分割数据集类
|
|
|
|
|
|
|
|
|
|
|
|
我们通过继承PyTorch提供的`Dataset`类自定义了一个语义分割数据集类`VOCSegDataset`。通过实现`__getitem__`函数，我们可以任意访问数据集中索引为`idx`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，这些样本需要通过自定义的`filter`函数所移除。此外，我们还对输入图像的RGB三个通道的值分别做标准化。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
# 本函数已保存在d2lzh_pytorch中方便以后使用
|
|
|
|
|
|
class VOCSegDataset(torch.utils.data.Dataset):
|
|
|
|
|
|
def __init__(self, is_train, crop_size, voc_dir, colormap2label, max_num=None):
|
|
|
|
|
|
"""
|
|
|
|
|
|
crop_size: (h, w)
|
|
|
|
|
|
"""
|
|
|
|
|
|
self.rgb_mean = np.array([0.485, 0.456, 0.406])
|
|
|
|
|
|
self.rgb_std = np.array([0.229, 0.224, 0.225])
|
|
|
|
|
|
self.tsf = torchvision.transforms.Compose([
|
|
|
|
|
|
torchvision.transforms.ToTensor(),
|
|
|
|
|
|
torchvision.transforms.Normalize(mean=self.rgb_mean,
|
|
|
|
|
|
std=self.rgb_std)
|
|
|
|
|
|
])
|
|
|
|
|
|
|
|
|
|
|
|
self.crop_size = crop_size # (h, w)
|
|
|
|
|
|
features, labels = read_voc_images(root=voc_dir,
|
|
|
|
|
|
is_train=is_train,
|
|
|
|
|
|
max_num=max_num)
|
|
|
|
|
|
self.features = self.filter(features) # PIL image
|
|
|
|
|
|
self.labels = self.filter(labels) # PIL image
|
|
|
|
|
|
self.colormap2label = colormap2label
|
|
|
|
|
|
print('read ' + str(len(self.features)) + ' valid examples')
|
|
|
|
|
|
|
|
|
|
|
|
def filter(self, imgs):
|
|
|
|
|
|
return [img for img in imgs if (
|
|
|
|
|
|
img.size[1] >= self.crop_size[0] and
|
|
|
|
|
|
img.size[0] >= self.crop_size[1])]
|
|
|
|
|
|
|
|
|
|
|
|
def __getitem__(self, idx):
|
|
|
|
|
|
feature, label = voc_rand_crop(self.features[idx], self.labels[idx],
|
|
|
|
|
|
*self.crop_size)
|
|
|
|
|
|
|
|
|
|
|
|
return (self.tsf(feature), # float32 tensor
|
|
|
|
|
|
voc_label_indices(label, self.colormap2label)) # uint8 tensor
|
|
|
|
|
|
|
|
|
|
|
|
def __len__(self):
|
|
|
|
|
|
return len(self.features)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
### 9.9.2.3 读取数据集
|
|
|
|
|
|
|
|
|
|
|
|
我们通过自定义的`VOCSegDataset`类来分别创建训练集和测试集的实例。假设我们指定随机裁剪的输出图像的形状为$320\times 480$。下面我们可以查看训练集和测试集所保留的样本个数。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
crop_size = (320, 480)
|
|
|
|
|
|
max_num = 100
|
|
|
|
|
|
voc_train = VOCSegDataset(True, crop_size, voc_dir, colormap2label, max_num)
|
|
|
|
|
|
voc_test = VOCSegDataset(False, crop_size, voc_dir, colormap2label, max_num)
|
|
|
|
|
|
```
|
|
|
|
|
|
输出:
|
|
|
|
|
|
```
|
|
|
|
|
|
read 75 valid examples
|
|
|
|
|
|
read 77 valid examples
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
设批量大小为64，分别定义训练集和测试集的迭代器。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
batch_size = 64
|
|
|
|
|
|
num_workers = 0 if sys.platform.startswith('win32') else 4
|
|
|
|
|
|
train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
|
|
|
|
|
|
drop_last=True, num_workers=num_workers)
|
|
|
|
|
|
test_iter = torch.utils.data.DataLoader(voc_test, batch_size, drop_last=True,
|
|
|
|
|
|
num_workers=num_workers)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
打印第一个小批量的类型和形状。不同于图像分类和目标识别，这里的标签是一个三维数组。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
for X, Y in train_iter:
|
|
|
|
|
|
print(X.dtype, X.shape)
|
|
|
|
|
|
print(y.dtype, Y.shape)
|
|
|
|
|
|
break
|
|
|
|
|
|
```
|
|
|
|
|
|
输出:
|
|
|
|
|
|
```
|
|
|
|
|
|
torch.float32 torch.Size([64, 3, 320, 480])
|
|
|
|
|
|
torch.uint8 torch.Size([64, 320, 480])
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
## 小结
|
|
|
|
|
|
|
|
|
|
|
|
* 语义分割关注如何将图像分割成属于不同语义类别的区域。
|
|
|
|
|
|
* 语义分割的一个重要数据集叫作Pascal VOC2012。
|
|
|
|
|
|
* 由于语义分割的输入图像和标签在像素上一一对应，所以将图像随机裁剪成固定尺寸而不是缩放。
|
|
|
|
|
|
|
|
|
|
|
|
## 练习
|
|
|
|
|
|
|
|
|
|
|
|
* 回忆9.1节（图像增广）中的内容。哪些在图像分类中使用的图像增广方法难以用于语义分割？
|
|
|
|
|
|
|
|
|
|
|
|
## 参考文献
|
|
|
|
|
|
|
|
|
|
|
|
[1] Pascal VOC2012数据集。http://host.robots.ox.ac.uk/pascal/VOC/voc2012/
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
-----------
|
|
|
|
|
|
> 注：除代码外本节与原书基本相同，[原书传送门](http://zh.d2l.ai/chapter_computer-vision/semantic-segmentation-and-dataset.html)
|
|
|
|
|
|
|
