• DDRNet_paddle
• • 1 简介
  • 2 复现精度
  • 3 数据集
  • 4 环境依赖
  • 快速开始
  • • 第一步：克隆本项目
    • 第二步：训练模型
    • 第三步：测试
    • 第四步：tipc
  • 5 代码结构与说明
  • 6 模型信息
  • 7 Citation

DDRNet_paddle

1 简介

本项目基于paddlepaddle框架复现了DDRNet23语义分割模型，DDRNet是一个轻量级的CNN实时语义分割模型，DDRNet23在cityscapes val数据集上的miou为79.5%，本项目复现的miou为79.85%，miou超过原论文0.35%.

DDRNet网络结构如下图所示：

DDRNet23预测示例：

论文：

• [1] Changqian Yu, Jingbo Wang, Chao Peng, Changxin Gao, Gang Yu, and Nong Sang. Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road Scenes

项目参考：

• https://github.com/ydhongHIT/DDRNet

2 复现精度

在CityScapes val数据集的测试效果如下表。

NetWork	steps	opt	image_size	batch_size	dataset	memory	card	mIou	config	weight	log
DDRNet23	120K	SGD	1024x1024	12	CityScapes	32G	4	79.85%	ddrnet23_cityscapes_1024x1024_120k.yml	link 提取码：3mnx	log

3 数据集

CityScapes dataset

• 数据集大小:
  • 训练集: 2975
  • 验证集: 500

4 环境依赖

• 硬件: Tesla V100 * 4

• 框架:

  • PaddlePaddle == 2.2.2

快速开始

第一步：克隆本项目

# clone this repo
git clone https://openi.pcl.ac.cn/dudu/DDRNet_paddle.git
cd DDRNet_paddle

安装第三方库

pip install -r requirements.txt

第二步：训练模型

上方表格提供imagenet pretrained权重以及训练好的权重，如需加载预训练权重，需要修改config文件中的pretrain路径。

单卡训练：

python train.py --config configs/ddrnet/ddrnet23_cityscapes_1024x1024_120k.yml  --do_eval --use_vdl --log_iter 100 --save_interval 4000 --save_dir output

多卡训练：

python -m paddle.distributed.launch train.py --config configs/ddrnet/ddrnet23_cityscapes_1024x1024_120k.yml  --do_eval --use_vdl --log_iter 100 --save_interval 1000 --save_dir output

第三步：测试

(权重文件在上方的表格中)

python val.py --config configs/ddrnet/ddrnet23_cityscapes_1024x1024_120k.yml --model_path {your_model_path}

第四步：tipc

进入DDRNet_paddle文件夹，首先准备轻量级训练数据集，命令如下（会下载完整的cityscapes数据集）：

bash test_tipc/prepare.sh ./test_tipc/configs/ddrnet/train_infer_python.txt 'lite_train_lite_infer'

接着运行训练推理一体化测试脚本：

bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/ddrnet/train_infer_python.txt 'lite_train_lite_infer'

脚本会自动进行轻量级训练测试和推理，确保模型训练-部署一体化流程无误。

5 代码结构与说明

代码结构

├─benchmark  
├─configs  
├─deploy  
├─images  
├─configs  
├─slim  
├─images  
├─output  
├─paddleseg  
├─test_tipc  
│  export.py  
│  predict.py  
│  README.md  
│  README_CN.md  
│  requirements.txt  
│  setup.py  
│  train.py  
│  val.py  

说明
1、本项目在Aistudio平台，使用Tesla V100 * 4 脚本任务训练120K miou达到79.85%。
2、本项目基于PaddleSeg开发。

6 模型信息

相关信息:

信息	描述
作者	郎督
日期	2022年4月
框架版本	PaddlePaddle==2.2.2
应用场景	语义分割
硬件支持	GPU、CPU
在线体验	notebook

7 Citation

@article{hong2021deep,
  title={Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road Scenes},
  author={Hong, Yuanduo and Pan, Huihui and Sun, Weichao and Jia, Yisong},
  journal={arXiv preprint arXiv:2101.06085},
  year={2021}
}

@misc{liu2021paddleseg,
      title={PaddleSeg: A High-Efficient Development Toolkit for Image Segmentation},
      author={Yi Liu and Lutao Chu and Guowei Chen and Zewu Wu and Zeyu Chen and Baohua Lai and Yuying Hao},
      year={2021},
      eprint={2101.06175},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@misc{paddleseg2019,
    title={PaddleSeg, End-to-end image segmentation kit based on PaddlePaddle},
    author={PaddlePaddle Contributors},
    howpublished = {\url{https://github.com/PaddlePaddle/PaddleSeg}},
    year={2019}
}