首页
/ EmbedSeg项目2D图像分割训练教程

EmbedSeg项目2D图像分割训练教程

2025-07-08 06:34:24作者:凤尚柏Louis

前言

EmbedSeg是一个基于嵌入的实例分割框架,本教程将详细介绍如何使用EmbedSeg对2D图像进行实例分割模型的训练。我们将以usiigaci-2017数据集为例,逐步讲解训练流程中的各个关键环节。

环境准备

首先需要导入必要的Python库:

import numpy as np
import os
from EmbedSeg.train import begin_training
from EmbedSeg.utils.create_dicts import create_dataset_dict, create_model_dict, create_loss_dict, create_configs
import torch
from matplotlib.colors import ListedColormap
import json

数据集配置

数据路径设置

指定训练和验证数据的路径以及中心点嵌入类型:

data_dir = 'crops'  # 数据目录
project_name = 'usiigaci-2017'  # 项目名称
center = 'medoid'  # 中心点类型:'medoid', 'approximate-medoid', 'centroid'

中心点类型的选择会影响模型学习实例表示的方式:

  • medoid: 使用实例的几何中心
  • approximate-medoid: 近似几何中心
  • centroid: 质心

数据属性加载

data_properties.json文件中读取数据集属性:

if os.path.isfile('data_properties.json'):
    with open('data_properties.json') as json_file:
        data = json.load(json_file)
        one_hot, data_type, foreground_weight, n_y, n_x = data['one_hot'], data['data_type'], int(data['foreground_weight']), int(data['n_y']), int(data['n_x'])

训练数据集配置

参数设置

train_size = len(os.listdir(os.path.join(data_dir, project_name, 'train', 'images')))
train_batch_size = 16
  • train_size: 一个epoch中网络看到的图像-掩码对数量,通常设置为训练图像裁剪块的总数
  • train_batch_size: 训练批次大小

创建训练数据集字典

train_dataset_dict = create_dataset_dict(
    data_dir=data_dir,
    project_name=project_name,
    center=center,
    size=train_size,
    batch_size=train_batch_size,
    one_hot=one_hot,
    type='train'
)

验证数据集配置

参数设置

val_size = len(os.listdir(os.path.join(data_dir, project_name, 'val', 'images')))
val_batch_size = 16

建议将val_size设置为验证图像裁剪块的总数。

创建验证数据集字典

val_dataset_dict = create_dataset_dict(
    data_dir=data_dir,
    project_name=project_name,
    center=center,
    size=val_size,
    batch_size=val_batch_size,
    one_hot=one_hot,
    type='val'
)

模型配置

输入通道设置

input_channels = 1  # 输入图像的通道数

创建模型字典

model_dict = create_model_dict(input_channels=input_channels)

损失函数配置

创建损失函数字典:

loss_dict = create_loss_dict(foreground_weight=foreground_weight)

损失函数权重说明:

  • w_inst: 实例损失权重
  • w_var: 方差损失权重
  • w_seed: 种子损失权重

训练配置

训练参数设置

n_epochs = 200  # 训练轮数
save_dir = os.path.join('experiment', project_name+'-'+'demo')  # 保存目录
resume_path = None  # 恢复训练路径,如'./experiment/usiigaci-2017-demo/checkpoint.pth'

创建配置字典

configs = create_configs(
    n_epochs=n_epochs,
    one_hot=one_hot,
    resume_path=resume_path,
    save_dir=save_dir,
    n_y=n_y,
    n_x=n_x
)

可视化设置

选择颜色映射用于可视化:

new_cmap = np.load('../../../cmaps/cmap_60.npy')
new_cmap = ListedColormap(new_cmap)  # 也可以使用'magma'等其他颜色映射

开始训练

执行训练:

begin_training(train_dataset_dict, val_dataset_dict, model_dict, loss_dict, configs, color_map=new_cmap)

常见问题排查

  1. 缺少中心图像:确保train和val目录中都包含中心图像
  2. 中心类型不匹配:确保在数据准备阶段生成的中心图像类型与训练时选择的center参数一致
  3. 恢复训练问题:检查resume_path路径是否正确,并确保save_dir指向正确的目录

通过本教程,您应该能够成功配置并启动EmbedSeg的2D实例分割训练流程。根据您的具体数据集和需求,可以调整上述参数以获得最佳性能。

登录后查看全文
热门项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
162
2.05 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
96
15
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
199
279
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16
Git4ResearchGit4Research
Git4Research旨在构建一个开放、包容、协作的研究社区,让更多人能够参与到科学研究中,共同推动知识的进步。
HTML
23
1
apintoapinto
基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
950
557
risc-v64-naruto-pirisc-v64-naruto-pi
基于QEMU构建的RISC-V64 SOC,支持Linux,baremetal, RTOS等,适合用来学习Linux,后续还会添加大量的controller,实现无需实体开发板,即可学习Linux和RISC-V架构
C
19
5