找回密码
 立即注册
发表于 2018-3-6 14:10:39
5990
本文是从https://github.com/dusty-nv/jetson-inference翻译的,您可以在这里下载源码
Image Segmentation with SegNet

本教程重点提到的深度学习的功能是图像的分割。图像分割的最基本原理也是图像识别,但是它是基于像素级别的图像识别而不是对于整张图片的识别。它是通过一个对已经训练好的ImageNet识别模型的卷积化来实现的,他将其转化成一个能将每一个像素都标记的全卷积分割模型。分割对于环境感知和避碰非常有用,它可以对每个场景中的许多不同的潜在对象进行密集的每像素分类,包括场景前景和背景。
segNet 实例可以接受一个2维图像的输入,并且输出一个每一个像素都分类过得图像。每个像素都对应一个识别的目标类别。
注意:您可以查看semantic segmentation来获取更多地关于图像分割的背景知识。
Downloading Aerial Drone Dataset
作为图像分割的一个例子,我们将使用一个将地面与天空分开的空中无人驾驶飞机数据集。该数据集在第一人称视角(FPV)中模拟无人机的位置,并训练一个网络,作为一个自动驾驶仪,引导其感知的地形。
要下载和解压缩数据集,请从运行DIGITS服务器的主机PC上运行以下命令:
$ wget --no-check-certificate https://nvidia.box.com/shared/st ... ivu5ji9zola6i1.gz-O NVIDIA-Aerial-Drone-Dataset.tar.gz

HTTP request sent, awaiting response... 200 OK
Length: 7140413391 (6.6G) [application/octet-stream]
Saving to: ‘NVIDIA-Aerial-Drone-Dataset.tar.gz’

NVIDIA-Aerial-Drone-Datase 100%[======================================>]   6.65G 3.33MB/s    in 44m 44s

2017-04-17 14:11:54 (2.54 MB/s) -‘NVIDIA-Aerial-Drone-Dataset.tar.gz’ saved [7140413391/7140413391]

$ tar -xzvf NVIDIA-Aerial-Drone-Dataset.tar.gz
数据集包括从无人机平台飞行中捕获的剪辑,但是我们将在本教程中关注的片段是FPV/SFWA。接下来,我们会为之后的训练模型在DIGITS上创建一个数据集。

Importing the Aerial Dataset into DIGITS
首先,用浏览器连接到你的DIGITS服务器,然后在右上角的NewDataset中选择Segmentation:
在数据创建界面,按照下面的内容设置您的变量

  • Feature image folder: NVIDIA-Aerial-Drone-Dataset/FPV/SFWA/720p/images
  • Label image folder: NVIDIA-Aerial-Drone-Dataset/FPV/SFWA/720p/labels
  • set % for validation to     1%
  • Class labels: NVIDIA-Aerial-Drone-Dataset/FPV/SFWA/fpv-labels.txt
  • Color map: From text file
  • Feature Encoding: None
  • Label Encoding: None
给您的数据库起个名字,然后点击Create按钮。接下来我们就要创建新的模型然后训练了。
Generating Pretrained FCN-Alexnet
全卷积网络(Fully Convolutional Network,FCN)AlexNet是我们接下来要利用DIGITS和TensorRT使用的网络模型。查看Parallel ForAll 您可以了解到更多关于卷积的细节。DIGITS5当中的新的特性就是支持图像分割的数据创建和模型训练。DIGITS中包含了一个脚本,它将Alexnet模型转换为FCN-Alexnet。然后将该基础模型用作在自定义数据集上训练新的FCN-Alexnet分割模型的预先训练的基础
在DIGITS/examples/semantic-segmentation文件夹下面,执行net_surgery 来获得预训练的FCN-Alexnet模型:
$ cd DIGITS/examples/semantic-segmentation
$ ./net_surgery.py
Downloading files (this might take a few minutes)...
Loading Alexnet model...
...
Saving FCN-Alexnet model to fcn_alexnet.caffemodel
Training FCN-Alexnet with DIGITS
当之前的数据集导入成功后,返回到DIGITS的主页。选择Models里面右上角的NewModel下面的Segmentation:
When the previous dataimport job is complete, return to the DIGITS home screen. Select the Models tab and choose to create a new Segmentation Model from the drop-down:
在模型创建的页面,选择之前我们创建好的数据集。
·       Subtract Mean 设置为None
·       Base learning Rate 设置为0.0001
·       选择Custom Network,并选用Caffe平台
·       复制FCN-Alexnet prototxt中的内容到文本框内。
·       最后设置net_surgery 生成的预训练的模型DIGITS/examples/semantic-segmentation/fcn_alexnet.caffemodel
最后,给你训练的模型起一个名字并点击下面的Create按钮。在5个epochs之后,准确率的曲线开始慢慢上升,你的模型也就可以用了(当然,准确率越高,最后的效果越好):
这是,我们就可以测试一下我们的模型了。
Testing Inference Model in DIGITS
在把训练好的模型传到Jetson上前,我们可以再DIGITS里面测试一下,就像之前的一样,在SelectVisualization Method下面选择Image Segmentation。然后在下面的Image Path里面输入你想要测试的图片的路径(在本例中我们用的是example /NVIDIA-Aerial-Drone-Dataset/FPV/SFWA/720p/images/0428.png):
然后单击Test one 你就会看到下面的效果
接下来,下载并解压训练好的模型到Jetson
FCN-Alexnet Patches for TensorRT
在FCN-Alexnet里面存在一些不太重要的网络层,而且TensorRT不支持它们,所以我们需要将这些网络层从deploy.prototxt
在deploy.prototxt 的末尾处,删除deconv 和 crop层:
layer {
  name: "upscore"
  type:"Deconvolution"
  bottom:"score_fr"
  top: "upscore"
  param {
    lr_mult: 0.0
  }
  convolution_param {
    num_output: 21
    bias_term: false
    kernel_size: 63
    group: 21
    stride: 32
    weight_filler {
      type:"bilinear"
    }
  }
}
layer {
  name: "score"
  type: "Crop"
  bottom:"upscore"
  bottom: "data"
  top: "score"
  crop_param {
    axis: 2
    offset: 18
  }
}
还有,在deploy.prototxt的第24行将pad: 100 改成pad: 0。最后从航空数据集中复制fpv-labels.txt 和fpv-deploy-colors.txt 到你的Jetson中模型的文件夹。你的FCN-Alexnet模型就在TensorRT中配置完成了。这样,我们就可以在Jetson中运行一下试试了。
Running Segmentation Models on Jetson
您可以运行下面的命令行程序来测试一下您的分割网络模型。
首先,为了方便起见,您最好把模型路径设置到$NET 变量中:
$ NET=20170421-122956-f7c0_epoch_5.0

$ ./segnet-console drone_0428.png output_0428.png \
--prototxt=$NET/deploy.prototxt \
--model=$NET/snapshot_iter_22610.caffemodel \
--labels=$NET/fpv-labels.txt \
--colors=$NET/fpv-deploy-colors.txt \
--input_blob=data \
--output_blob=score_fr
这些命令将会运行repo中下载好的我们训练好的模型。
除了本教程提到的数据集之外,您还可以利用其他的数据集来训练Cityscapes, SYNTHIA, 和 Pascal-VOC.
本文是从https://github.com/dusty-nv/jetson-inference翻译的,您可以在这里下载源码


使用道具 举报 回复
发新帖
您需要登录后才可以回帖 登录 | 立即注册

zzczczxczxczx