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:
项目参考:
2 复现精度
在CityScapes val数据集的测试效果如下表。
3 数据集
CityScapes dataset
4 环境依赖
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}
}