fcn_hrnetw18_voc

PaddleHub 图像分割

模型预测

若想使用我们提供的预训练模型进行预测，可使用如下脚本：

import paddle
import cv2
import paddlehub as hub

if __name__ == '__main__':
    model = hub.Module(name='fcn_hrnetw18_voc')
    img = cv2.imread("/PATH/TO/IMAGE")
    model.predict(images=[img], visualization=True)

如何开始Fine-tune

在完成安装PaddlePaddle与PaddleHub后，通过执行python train.py即可开始使用fcn_hrnetw18_voc模型对OpticDiscSeg等数据集进行Fine-tune。

代码步骤

使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。

Step1: 定义数据预处理方式

from paddlehub.vision.segmentation_transforms import Compose, Resize, Normalize

transform = Compose([Resize(target_size=(512, 512)), Normalize()])

segmentation_transforms 数据增强模块定义了丰富的针对图像分割数据的预处理方式，用户可按照需求替换自己需要的数据预处理方式。

Step2: 下载数据集并使用

from paddlehub.datasets import OpticDiscSeg

train_reader = OpticDiscSeg(transform， mode='train')

• transform: 数据预处理方式。
• mode: 选择数据模式，可选项有 train, test, val, 默认为train。

数据集的准备代码可以参考 opticdiscseg.py。hub.datasets.OpticDiscSeg()会自动从网络下载数据集并解压到用户目录下$HOME/.paddlehub/dataset目录。

Step3: 加载预训练模型

model = hub.Module(name='fcn_hrnetw18_voc', num_classes=2, pretrained=None)

• name: 选择预训练模型的名字。
• num_classes: 分割模型的类别数目。
• pretrained: 是否加载自己训练的模型，若为None，则加载提供的模型默认参数。

Step4: 选择优化策略和运行配置

scheduler = paddle.optimizer.lr.PolynomialDecay(learning_rate=0.01, decay_steps=1000, power=0.9,  end_lr=0.0001)
optimizer = paddle.optimizer.Adam(learning_rate=scheduler, parameters=model.parameters())
trainer = Trainer(model, optimizer, checkpoint_dir='test_ckpt_img_ocr', use_gpu=True)

优化策略

Paddle2.0rc提供了多种优化器选择，如SGD, Adam, Adamax等，其中Adam:

• learning_rate: 全局学习率。
• parameters: 待优化模型参数。

运行配置

Trainer 主要控制Fine-tune的训练，包含以下可控制的参数:

• model: 被优化模型；
• optimizer: 优化器选择；
• use_gpu: 是否使用gpu，默认为False;
• use_vdl: 是否使用vdl可视化训练过程；
• checkpoint_dir: 保存模型参数的地址；
• compare_metrics: 保存最优模型的衡量指标；

trainer.train 主要控制具体的训练过程，包含以下可控制的参数：

• train_dataset: 训练时所用的数据集；
• epochs: 训练轮数；
• batch_size: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
• num_workers: works的数量，默认为0；
• eval_dataset: 验证集；
• log_interval: 打印日志的间隔， 单位为执行批训练的次数。
• save_interval: 保存模型的间隔频次，单位为执行训练的轮数。

模型预测

当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在${CHECKPOINT_DIR}/best_model目录下，其中${CHECKPOINT_DIR}目录为Fine-tune时所选择的保存checkpoint的目录。

我们使用该模型来进行预测。predict.py脚本如下：

import paddle
import cv2
import paddlehub as hub

if __name__ == '__main__':
    model = hub.Module(name='fcn_hrnetw18_voc', pretrained='/PATH/TO/CHECKPOINT')
    img = cv2.imread("/PATH/TO/IMAGE")
    model.predict(images=[img], visualization=True)

参数配置正确后，请执行脚本python predict.py。 Args

• images:原始图像路径或BGR格式图片；
• visualization: 是否可视化，默认为True；
• save_path: 保存结果的路径，默认保存路径为'seg_result'。

NOTE: 进行预测时，所选择的module，checkpoint_dir，dataset必须和Fine-tune所用的一样。

服务部署

PaddleHub Serving可以部署一个在线图像分割服务。

Step1: 启动PaddleHub Serving

运行启动命令：

$ hub serving start -m fcn_hrnetw18_voc

这样就完成了一个图像分割服务化API的部署，默认端口号为8866。

NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

Step2: 发送预测请求

配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

import requests
import json
import cv2
import base64

import numpy as np


def cv2_to_base64(image):
    data = cv2.imencode('.jpg', image)[1]
    return base64.b64encode(data.tostring()).decode('utf8')

def base64_to_cv2(b64str):
    data = base64.b64decode(b64str.encode('utf8'))
    data = np.fromstring(data, np.uint8)
    data = cv2.imdecode(data, cv2.IMREAD_COLOR)
    return data

# 发送HTTP请求
org_im = cv2.imread('/PATH/TO/IMAGE')
data = {'images':[cv2_to_base64(org_im)]}
headers = {"Content-type": "application/json"}
url = "http://127.0.0.1:8866/predict/fcn_hrnetw18_voc"
r = requests.post(url=url, headers=headers, data=json.dumps(data))
mask = base64_to_cv2(r.json()["results"][0])

查看代码

https://github.com/PaddlePaddle/PaddleSeg

依赖

paddlepaddle >= 2.0.0

paddlehub >= 2.0.0