- Introduction
- 环境
- 常用缩写
- 文件结构
- 面向网络使用者
- 面向网络开发者
quickSeg：基于Python的图像分割脚手架+模型库
-
Python 2.7 x64 -
依赖：
pip install -r requirements.txt -
系统支持程度：
ubuntu>windows -
环境友好程度:
Ipython@spyder>Ipython>Python
库中的绝大多数函数都有文档，
在Ipython中 大多数类都可以通过 对象名称后面加一个问号的形式 （即：object?） 获取使用说明文档
quickSeg
│
├── lib # 存放函数库
│ ├── configManager.py # 用于存放，处理参数及自动生成各类io函数
│ ├── yllibInterface.py # 引入 yl 文件夹的module
│ └── yl # 杨磊的python代码库
│ ├── __init__.py
│ ├── tool/ # 常用Python工具module
│ ├── ylimg/ # 关于图片的module
│ ├── ylml/ # 关于机器学习的module
│ └── ylnp.py # 关于numpy的module
│
├── nets # 存放网络结构和接口
│ └── res-unet1 # 文件夹名即网络名称
│ ├── trainInterface.py # 用于train的接口
│ └── trainInterface.py # 用于predict的接口
│
├── projects # 工作空间 以项目名称为文件夹
│ └── projectTemplate # 项目模板 新建项目：复制并重命名文件夹为项目名称
│ └── experment1 # 实验文件夹 新建实验：复制重命名文件夹为实验名称
│ ├── lib.py # 将 quickSeg/lib/ 下的所有moudlu导入并加入 sys.path
│ ├── config.py # 配置训练集，测试集，预测集， 选择net
│ ├── train.py # 配置训练的参数并训练
│ ├── test.py # 使用训练好的模型对测试集进行预测
│ ├── val.py # 用验证集进行细腻度的分析，深入了解模型性能
│ ├── weight/ # 存储训练过程中自动保存的权重
│ ├── test/ # 保存由测试集生成的结果
│ └── val/ # 存储验证时候Evalu产生的缓存数据和分析数据
│
└── readme.md # 此说明文件
- 将
projects/projectTemplate文件夹复制并命名成你的项目名称 如：COCO - 在
projects/COCO中， 将experment1文件夹重命名成你此次实验的名称如：COCO_Unet - 接下来 打开
projects/COCO/COCO_Unet
一般需要将样本分成独立的三部分：训练集(train set)，验证集(val set)和测试集(test set)。
- 训练集用来训练模型
- 验证集用来确定网络结构或者控制模型复杂程度的参数
- 测试集则检验最终选择最优的模型的性能如何
ps: 一个典型的划分是训练集占总样本的50％，而其它各占25％，三部分都是从样本中随机抽取。
config.py主要配置数据接口 选择网络文件夹
在 config.py 的 config BEGIN 至 config END 块内进行配置
| 配置名称 | 类型 | 描述 | 样例 |
|---|---|---|---|
| cf.netdir | str | 要使用的网络所在文件夹的名称 | res-unet1 |
| cf.trainGlob | str | 训练集的图片以glob形式的路径 | /data/COCO/train/*.jpg |
| cf.toGtPath | function | 一个函数 传入图片路径，返回标签所在路径cf.toGtPath(imgPath)=>gtPath |
lambda path:path.replace('.jpg','.png') |
| cf.val | str or float | str:验证集的图片以glob形式的路径。float:从训练集中将文件后cf.val的图片划为验证集 | val/*.jpg or 0.2 |
| cf.toValGtPath | function | 同 cf.toGtPath，默认情况下 和 cf.toGtPath为同一函数 | None |
| cf.testGlob | str | 测试集的图片以glob形式的路径 | /data/COCO/train/*.jpg |
train.py主要配置train的参数
可使用 train？ 或 doc(train)来查看当前网络的使用说明
在 train.py 的 config BEGIN 至 config END 块内进行配置
| 参数名称 | 类型 | 描述 | 样例 |
|---|---|---|---|
| batch | int | 训练每时刻的batch | 4 |
| epoch | int | 训练多少epoch | 30 |
| resume | int | 从第几个已保存的权重继续训练 | 0 |
| classn | int | 分割的结果包含的类别数 | 2 |
| 参数名称 | 类型 | 描述 | 样例 |
|---|---|---|---|
| window | int or (h,w) | 切割小图进行训练时候 切割窗口的大小 | 512 or (512,1024) |
要更改网络结构或开发新的网络时，先将 quickSeg/nets/netTemplate 下的 trainInterface.py 和 trainInterface.py 复制到你的实验文件夹下,参考这两个接口进行修改和开发
开发完成后 只需在nets下新建文件夹 命名为你网络的名称即可 欢迎git push origin master提交你的net
Init signature: lib.GenSimg(self, imggts, simgShape, handleImgGt=None, batch=1, cache=None, iters=None, timesPerRead=1, infinity=False)
Docstring:
随机生成小图片simg及gt 的迭代器，默认使用1Gb内存作为图片缓存
默认生成simg总面积≈所有图像总面积时 即结束
Init docstring:
imggts: zip(jpgs,pngs)
simgShape: simg的shape
handleImgGt: 对输出结果运行handleImgGt(img,gt)处理后再返回
batch: 每次返回的batch个数
cache: 缓存图片数目, 默认缓存1Gb的数目
timesPerRead: 平均每次读的图片使用多少次(不会影响总迭代次数),默认1次
iters: 固定输出小图片的总数目，与batch无关
infinity: 无限迭代
File: quickSeg/lib/yl/ylml/ylmlTrain.py
Type: ABCMeta
Signature: lib.autoSegmentWholeImg(img, simgShape, handleSimg, step=None, weightCore=None)
Docstring:
将img分割到 simgShape 的小图，执行handleSimg(simg),将结果拼接成回img形状的矩阵
img:被执行的图片
simgShape: 小图片的shape
handleSimg: 用于处理小图片的函数 handleSimg(simg)，比如 net.pridict(simg)
step: 切割的步长, 默认为simgShape 可以为int|tuple(steph,stepw)|float
weightCore: 'avg'取平均,'gauss'结果的权重 在重叠部分可以用到
使之越靠经中心的权重越高 默认为直接覆盖
File: quickSeg/lib/yl/ylml/ylmlTest.py
Type: function
* img = image, 表示图片
* gt = GroundTruth，用于评测的真值
* re = result，模型生成的，需要评测的样本