liuzhidemaomao / -

课程作业

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

-

课程作业

代码包含了课程报告中的一阶段和二阶段的过程。其中,第二阶段在运行时单张卡大概需要15-16G,一阶段大概需要9G-10G。

训练数据集是cityscapes

官方下载: https://www.cityscapes-dataset.com/

预训练的resnet和其他

其中,pretrained_models文件夹中包含训练好的模型权重;one_stage和two_stage文件夹中分别包含训练好的模型权重

百度网盘: 链接:https://pan.baidu.com/s/1pzANm8Cb60T6MPVKTNCfmw 提取码:lqht

文件夹结构

$HRNet-Semantic-Segmentation-pytorch1.1
├── data
│   ├── cityscapes
│   │   ├── gtFine
│   │   │   ├── test
│   │   │   ├── train
│   │   │   └── val
│   │   └── leftImg8bit
│   │       ├── test
│   │       ├── train
│   │       └── val
│   ├── list
│   │   ├── cityscapes
│   │   │   ├── test.lst
│   │   │   ├── trainval.lst
│   │   │   ├── train.lst
│   │   │   ├── mini_train.lst
│   │   │   ├── mini_val.lst
│   │   │   └── val.lst
├── pretrained_models
│   ├── resnet50_v2.pth
│   ├── resnet152_v2.pth
├── lib
├── experiments
├── tools

环境

numpy==1.19.2 torch==1.1.0 yacs==0.1.8 tqdm==4.51.0 opencv_python==3.4.1.15 scikit_image==0.17.2 Pillow==8.1.0 skimage==0.0 tensorboardX==2.1

训练和测试

训练代码,其中nproc_per_node和使用的卡的数量一致

CUDA_VISIBLE_DEVICES=3 python -m torch.distributed.launch --nproc_per_node=1 tools/train.py --cfg experiments/cityscapes/seg_hrnet_w48_train_512x1024_sgd_lr1e-2_wd5e-4_bs_12_epoch484.yaml

测试代码

在test时,需要将配置文件seg_hrnet_w48_train_512x1024_sgd_lr1e-2_wd5e-4_bs_12_epoch484.yaml修改成如下形式(0,), 或者使用两张卡来跑

CUDA_VISIBLE_DEVICES=3 python -m torch.distributed.launch --nproc_per_node=1 tools/train.py --cfg experiments/cityscapes/seg_hrnet_w48_train_512x1024_sgd_lr1e-2_wd5e-4_bs_12_epoch484.yaml

Reference

本代码主要是基于HRNet和PSPnet的工作

[1] Wang J, Sun K, Cheng T, et al. Deep high-resolution representation learning for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2020. download

[2] Zhao H, Shi J, Qi X, et al. Pyramid scene parsing network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2881-2890. download

About

课程作业

License:MIT License


Languages

Language:Python 87.9%Language:Cuda 6.1%Language:C++ 6.0%