https://github.com/bat67/pytorch-fcn-easiest-demo

PyTorch Implementation of Fully Convolutional Networks (a very simple and easy demo).
https://github.com/bat67/pytorch-fcn-easiest-demo

cnn computer-vision fcn pytorch pytorch-implementation pytorch-implmention semantic-segmentation

Last synced: about 1 month ago
JSON representation

PyTorch Implementation of Fully Convolutional Networks (a very simple and easy demo).

• Host: GitHub
• URL: https://github.com/bat67/pytorch-fcn-easiest-demo
• Owner: bat67
• License: other
• Created: 2018-12-03T05:55:34.000Z (about 6 years ago)
• Default Branch: master
• Last Pushed: 2019-02-03T16:13:09.000Z (almost 6 years ago)
• Last Synced: 2023-11-07T19:04:09.566Z (about 1 year ago)
• Topics: cnn, computer-vision, fcn, pytorch, pytorch-implementation, pytorch-implmention, semantic-segmentation
• Language: Python
• Homepage:
• Size: 69.2 MB
• Stars: 183
• Watchers: 3
• Forks: 73
• Open Issues: 5
• Metadata Files:
  • Readme: README.md
  • License: license.md

Awesome Lists containing this project

README

        
# pytorch FCN easiest demo

> 不断更新中~

这个repo是在读论文[Fully Convolutional Networks for Semantic Segmentation](http://arxiv.org/abs/1411.4038)时的一个pytorch简单复现，数据集很小，是一些随机背景上的一些包的图片（所有数据集大小一共不到80M），如下图

![数据集示意图](assets/task.png)

> 关于此数据集详细信息，见[数据集](#数据集)

根据论文实现了FCN32s、FCN16s、FCN8s和FCNs

>部分代码参考了[这个repo](https://github.com/wkentaro/pytorch-fcn)

使用visdom可视化，运行了20个epoch后的可视化如下图：

![可视化1](assets/vis1.jpg)

![可视化2](assets/vis2.jpg)

## 1.如何运行

### 1.1 我的运行环境

* Windows 10

* CUDA 9.x （可选）

* Anaconda 3 （numpy、os、datetime、matplotlib）

* pytorch == 0.4.1 or 1.0

* torchvision == 0.2.1

* visdom == 0.1.8.5

* OpenCV-Python == 3.4.1

### 1.2 具体操作

* 打开终端，输入

```sh

python -m visdom.server

```

* 打开另一终端，输入

```sh

python train.py

```

* 若没有问题可以打开浏览器输入`http://localhost:8097/`来使用`visdom`可视化

### 1.3 训练细节

![训练细节](assets/train.jpg)

## 2. 数据集

* training data来自[这里](https://github.com/yunlongdong/FCN-pytorch-easiest/tree/master/last)，ground-truth来自[这里](https://github.com/yunlongdong/FCN-pytorch-easiest/tree/master/last_msk)。

* 链接中提供的图片中，部分ground-truth的有误，而且部分有ground-truth的图片没有对应training data的图片，将这些有错误的图片分别剔除，重新编号排序之后剩余533张图片。

* 之后我随机选取了67张图片**旋转180度**，一共在training data和ground-truth分别凑够600张图片（0.jpg ~ 599.jpg）。

## 3. 可视化

* train prediction：训练时模型的输出

* label：ground-truth

* test prediction：预测时模型的输出（每次训练都会预测，但预测数据不参与训练与backprop）

* train iter loss：训练时每一批（batch）的loss情况

* test iter loss：测试时每一批（batch）的loss情况

## 4. 包含文件

### 4.1 [train.py](train.py)

* 训练网络与可视化

* 主函数

### 4.2 [FCN.py](FCN.py)

* FCN32s、FCN16s、FCN8s、FCNs网络定义

* VGGNet网络定义、VGG不同种类网络参数、构建VGG网络的函数

### 4.3 [BagData.py](BagData.py)

* 定义方便PyTorch读取数据的Dataset和DataLoader

* 定义数据的变换transform

### 4.4 [onehot.py](onehot.py)

* 图片的onehot编码