UPerNet Segmentation Part
有两种运行程序的方法，分别描述如下。
命令行方式运行训练程序并手动传入参数：
cd UPerNet
conda activate your_conda_environment
python ./train.py --cfg ./config/train.yaml --train_img_dir path/to/your/training/image/directory --train_seg_dir path/to/your/training/segmentation/directory --val_img_dir path/to/your/validation/image/directory --val_seg_dir path/to/your/validation/segmentation/directory --test_img_dir path/to/your/testing/image/directory
... ...
Model Summary: 319 layers; 31349752 parameters; 31349752 gradients; 16.708681728 GFLOPs
epoch tot imgsz lr pixel_acc time(s)
# 1 2.658 448 1.850e-03 0.000 : 100%|██████████████████| 186/186 [01:37<00:00, 1.91it/s]
# 2 2.495 448 3.697e-03 0.000 97.3 : 100%|██████████████████| 186/186 [01:31<00:00, 2.03it/s]
# 3 2.496 448 5.540e-03 0.000 91.6 : 100%|██████████████████| 186/186 [01:31<00:00, 2.03it/s]其他与训练相关的参数配置统一到UPerNet/config/train.yaml进行设置。
通过在配置文件中配置相关参数运行程序，使用任意文本编辑器，打开并编辑UPerNet/config/train.yaml文件。其中必须要设置的参数有：
- train_img_dir;
- train_seg_dir
- val_img_dir;
- val_seg_dir;
- test_img_dir;
然后在命令行中运行训练脚本：
cd UPerNet
conda activate your_conda_environment
python ./train.py
... ...
Model Summary: 319 layers; 31349752 parameters; 31349752 gradients; 16.708681728 GFLOPs
epoch tot imgsz lr pixel_acc time(s)
# 1 2.658 448 1.850e-03 0.000 : 100%|██████████████████| 186/186 [01:37<00:00, 1.91it/s]
# 2 2.495 448 3.697e-03 0.000 97.3 : 100%|██████████████████| 186/186 [01:31<00:00, 2.03it/s]
# 3 2.496 448 5.540e-03 0.000 91.6 : 100%|██████████████████| 186/186 [01:31<00:00, 2.03it/s]| backbone | dataset | dice | pixel accuracy |
|---|---|---|---|
| resnet | cityspace | ||
| usquarenet | cityspace |
| model name | download | pwd |
|---|---|---|
| cityspace | xxx | xxx |
上面的预训练模型是使用CitySpace数据集train from scratch的。
使用预训练权重训练自己的数据集：
- 下载权重文件；
- 编辑UPerNet/config/train.yaml文件，将
pretrained_model_path配置项设置为预训练权重的文件路径；
对于cityspace数据集，使用USquareNet，单纯使用BCELoss作为损失函数时收敛非常慢，实践表明在损失函数中加入CrossEntropyLoss是更好的选择。