実験は以下の環境で実行しました
I.はじめに
mmlabの関連環境のインストール方法については、後日詳細なインストールチュートリアルを公開する予定です。インストールプロセス中には確かに多くの落とし穴がありますが、mmlab フレームワークがインストールされた後は、「香り」の一言だけです。現在主流のネットワーク構造はすべてこれをサポートしており、個別のニーズに応じて設定ファイルを作成する限り、直接呼び出すことができ、非常に便利です。したがって、私は皆さんにそれを学ぶことを強くお勧めします。mmsegmentation は正式に多くのデータ セットをサポートしており、prepare-datasets.md で明確に紹介されていますが、他のデータ セットは比較的大きいため、CHASEDB1 データ セットが実験用に選択されています。
2 つのデータセットの準備
データ セットはインターネットから直接ダウンロードできます。これはネットワーク ディスクのリンクです: リンク: https://pan.baidu.com/s/16fXFzOj6BvgUbxBtimURXA 抽出コード: 1111
データ セットをダウンロードした後、付属のツールを使用します。 mmsegmentationを使用して圧縮ファイルを加工すると、下図のようにプログラムが必要とするフォルダ構造に加工できます。
python tools/convert_datasets/chase_db1.py /path/to/CHASEDB1.zip
後者は自分のファイルのダウンロードアドレスで、mmsegmentationの下にフォルダデータが形成され、内部の構造は以下のようになります。
ここで注釈が黒く見える理由は、ラベルの位置が 1 であり、0 とそれほど変わらないためです。実際には、次のようになります。
3つのトレーニング
mmlab の非常に優れた機能は、構成ファイルが設定されている限り、トレインを実行して必要な結果を取得できることです。train.py ファイルをクリックすると、入力する必要がある部分がたくさんあることがわかります。またはパラメータ部分でオプションです。ここで最も重要なことは config パラメータです。その他は空白のままで構いません。
ここでは Unet ネットワークと CHASEDB1 データ セットを使用しています。つまり、unet ディレクトリで Chase01 の py ファイルを見つけます。 config フォルダー。つまり、トレーニングを開始する場合は、
メニュー バーの実行で実行するように設定します。パラメーターは十分です
。パラメーターを入力するだけ
で、直接実行できます。
4 つの結果の視覚化
実行すると、latest.pth と log.json ファイルが取得され、トレーニング ログ全体とトレーニングされたモデルが保存されます。インターネット上には視覚化できるツールがたくさんありますが、なぜそれが大きなツールなのかはわかりません。後は自分で書いただけですが、後からコードを添付して、視覚化した結果を下図に示します。