ChainerCV︱堪比Opencv--深度学习工具库（Faster R-CNN、SSD 和 SegNet）
ChainerCV︱堪比Opencv--深度学习工具库（Faster R-CNN、SSD 和 SegNet）
Preferred Networks 通过其研究博客发布了深度学习计算机视觉实用库 ChainerCV，它基于 Chainer，能够简化计算机视觉的训练和应用过程，并含有用于计算机视觉研究的必备工具集。 ChainerCV 提供了目标检测和语义分割模型（Faster R-CNN、SSD 和 SegNet）的实现。 ChainerCV 具有大量的已训练权重，可在运行时自动从网络上下载，因此用户无需担心下载或者记住已训练权重的文件位置。同样，ChainerCV 提供了简单统一的界面，从而为解决相同任务的不同模型执行推理。例如，Faster R-CNN 和 SSD 都具备一个被称作「预测」的方法，它可以接收图像并返回物体检测的结果。
参考机器之心：资源 | ChainerCV：基于Chainer的深度学习计算机视觉实用库（内含工具集）
ChainerCV 包含了一组指导计算机视觉研究的工具：
为一般视觉数据集（如 PASCAL VOC 任务的目标识别数据集）而构建的数据集加载器 能用于数据预处理/数据增强的转换 可视化 一般度量方法的评估代码
.
一、基本介绍
1、安装
pip install chainercv2、一个DEMO——SSD物体检测的案例
20分类，voc07数据集训练，VGG16为基本
from chainercv.links import FasterRCNNVGG16, SSD300
# You can use Faster R-CNN instead of SSD.
# model = FasterRCNNVGG16(pretrained_model='voc07')
model = SSD300(pretrained_model='voc0712')
# `bboxes` is a list of numpy arrays containing coordinates of boundnig boxes
# around objects. `labels` and `scores` are class ids and confidence scores for
# the boxes.
bboxes, labels, scores = model.predict(imgs) # imgs is a list of image3、转化数据到指定训练格式
from chainer.datasets import get_mnist
from chainer.datasets import TransformDataset
from chainercv.transforms import random_rotate
dataset, _ = get_mnist(ndim=3)
def transform(in_data):
# in_data is values returned by __getitem__ method of MNIST dataset.
img, label = in_data
img -= 0.5 # rescale to [-0.5, 0.5]
img = random_rotate(img)
return img, label
dataset = TransformDataset(dataset, transform)
img, label = dataset[0]4、库中拥有的数据集
- TransformDataset
- CamVid
- CUB
- OnlineProducts
- PASCAL VOC .
5、如何使用GPU
下载cupy库，pip install cupy， 当然预先需要配置好CUDNN
chainer.cuda.get_device_from_id(设备标号).use()
model.to_gpu() # Copy the model to the GPU.
二、用chainer实现图像分割SegNet
码云链接：https://gitee.com/mattzheng/chainercv_SegNet/tree/master github链接：https://github.com/mattzheng/chainer_SegNet 相关code都放在上面了.
1、 图像分割SegNet
相关参考
- github链接：https://github.com/chainer/chainercv
- 官方文档链接：http://chainercv.readthedocs.io/en/stable/index.html
- 预训练模型下载页面：https://github.com/yuyu2172/share-weights/releases/
- SegNet参考的caffe实现及预训练模型：http://mi.eng.cam.ac.uk/projects/segnet/tutorial.html
由chainercv自带的预训练模型
采用的数据集为：camvid
- 数据集类别camvid_label_names：’Sky’, ‘Building’, ‘Pole’, ‘Road’, ‘Pavement’, ‘Tree’, ‘SignSymbol’, ‘Fence’, ‘Car’, ‘Pedestrian’, ‘Bicyclist’
- 不同类别的颜色camvid_label_colors：(128, 128, 128), (128, 0, 0), (192, 192, 128), (128, 64, 128), (60, 40, 222), (128, 128, 0), (192, 128, 128), (64, 64, 128), (64, 0, 128), (64, 64, 0), (0, 128, 192)
其中需要注意的是：
- (1)’pip install chainercv’好像没有load进去vis_semantic_segmentation模块，所以我的做法是从github中加到：/usr/local/lib/python3.5/dist-packages/chainercv/visualizations目录下（github该模块链接：https://github.com/chainer/chainercv/tree/master/chainercv/visualizations）
- (2)读图的时候，注意最好使用chainercv自带的读入函数utils.read_image
code展示：
import argparse
import matplotlib.pyplot as plot
import chainer
from chainercv.datasets import camvid_label_colors
from chainercv.datasets import camvid_label_names
from chainercv.links import SegNetBasic
from chainercv import utils
from chainercv.visualizations import vis_image
from chainercv.visualizations.vis_semantic_segmentation import vis_semantic_segmentation
# pre-model + read picture
img = utils.read_image('../../iamge.jpg', color=True)
model = SegNetBasic(n_class = 11,pretrained_model = 'camvid')
labels = model.predict([img])
# plot
label = labels[0] # (332, 500)
fig = plot.figure()
ax1 = fig.add_subplot(1, 2, 1)
vis_image(img, ax=ax1)
ax2 = fig.add_subplot(1, 2, 2)
vis_semantic_segmentation(label, camvid_label_names, camvid_label_colors, ax=ax2)
plot.show()SegNetBasic函数解析（来源文档）： camvid数据是类别较少的分类。 SegNetBasic(n_class=None, pretrained_model=None, initialW=None)函数，有三个参数，n_class是预训练模型的参数，pretrained_model是预训练模型位置 predict(imgs),imgs输入array的list
.
2、自己训练segnet模型
其他的，如果你要自己训练segnet模型，请参考该页面
First, move to this directory (i.e., examples/segnet) and run:
python train.py [--gpu <gpu>]一个使用的demo：
wget https://raw.githubusercontent.com/alexgkendall/SegNet-Tutorial/master/CamVid/test/0001TP_008550.png
python demo.py [--gpu <gpu>] [--pretrained_model <model_path>] 0001TP_008550.png模型评估的函数：
python eval_camvid.py [--gpu <gpu>] [--pretrained_model <model_path>] [--batchsize <batchsize>]这里有一个已经训练好的模型，可以做个案例，预训练模型的下载链接为：https://www.dropbox.com/s/exas66necaqbxyw/model_iteration-16000 评估的结果展示：
官方自带的一个预训练模型后的模型使用demo：
import argparse
import matplotlib.pyplot as plot
import chainer
from chainercv.datasets import camvid_label_colors
from chainercv.datasets import camvid_label_names
from chainercv.links import SegNetBasic
from chainercv import utils
from chainercv.visualizations import vis_image
from chainercv.visualizations import vis_semantic_segmentation
def main():
chainer.config.train = False
parser = argparse.ArgumentParser()
parser.add_argument('--gpu', type=int, default=-1)
parser.add_argument('--pretrained_model', default='camvid')
parser.add_argument('image')
args = parser.parse_args()
model = SegNetBasic(
n_class=len(camvid_label_names),
pretrained_model=args.pretrained_model)
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
img = utils.read_image(args.image, color=True)
labels = model.predict([img])
label = labels[0]
fig = plot.figure()
ax1 = fig.add_subplot(1, 2, 1)
vis_image(img, ax=ax1)
ax2 = fig.add_subplot(1, 2, 2)
vis_semantic_segmentation(
label, camvid_label_names, camvid_label_colors, ax=ax2)
plot.show()
if __name__ == '__main__':
main()