paddleseg学习记录——模型预测

Posted weightOneMillion

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了paddleseg学习记录——模型预测相关的知识，希望对你有一定的参考价值。

1预测命令格式

predict.py脚本是专门用来可视化预测案例的，命令格式如下所示：

python predict.py \\
       --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \\
       --model_path output/iter_1000/model.pdparams \\
       --image_path dataset/optic_disc_seg/JPEGImages/H0003.jpg \\
       --save_dir output/result
       
其中image_path也可以是一个目录，这时候将对目录内的所有图片进行预测并保存可视化结果图。

同样的，可以通过--aug_pred开启多尺度翻转预测， --is_slide开启滑窗预测。

2准备预测数据

在执行预测时，仅需要原始图像。你应该准备好 test.txt 的内容，如下所示：

images/image1.jpg
images/image2.jpg
…
在调用predict.py进行可视化展示时，**文件列表中可以包含标注图像。**在预测时，模型将自动忽略文件列表中给出的标注图像。因此，你也可以直接使用训练、验证数据集进行预测。也就是说，如果你的train.txt的内容如下：

images/image1.jpg labels/label1.png
images/image2.jpg labels/label2.png
…
此时你可以在预测时将image_list指定为train.txt，将image_dir指定为训练数据所在的目录。PaddleSeg的鲁棒性允许你这样做，输出的结果将是对原始训练数据的预测结果。

3预测入口文件predict.py

3.1参数说明

3.2paddleseg/predict.py


import os
import math

import cv2
import numpy as np
import paddle

from paddleseg import utils
from paddleseg.core import infer
from paddleseg.utils import logger, progbar, visualize


def mkdir(path):
    sub_dir = os.path.dirname(path)
    if not os.path.exists(sub_dir):
        os.makedirs(sub_dir)


def partition_list(arr, m):
    """split the list 'arr' into m pieces"""
    n = int(math.ceil(len(arr) / float(m)))
    return [arr[i:i + n] for i in range(0, len(arr), n)]


def predict(model,
            model_path,
            transforms,
            image_list,
            image_dir=None,
            save_dir='output',
            aug_pred=False,
            scales=1.0,
            flip_horizontal=True,
            flip_vertical=False,
            is_slide=False,
            stride=None,
            crop_size=None,
            custom_color=None):
    """
    predict and visualize the image_list.
    """
    utils.utils.load_entire_model(model, model_path)
    model.eval()
    nranks = paddle.distributed.get_world_size()
    local_rank = paddle.distributed.get_rank()
    if nranks > 1:
        img_lists = partition_list(image_list, nranks)
    else:
        img_lists = [image_list]

    added_saved_dir = os.path.join(save_dir, 'added_prediction')
    pred_saved_dir = os.path.join(save_dir, 'pseudo_color_prediction')

    logger.info("Start to predict...")
    progbar_pred = progbar.Progbar(target=len(img_lists[0]), verbose=1)
    color_map = visualize.get_color_map_list(256, custom_color=custom_color)
    with paddle.no_grad():
        for i, im_path in enumerate(img_lists[local_rank]):
            im = cv2.imread(im_path)
            ori_shape = im.shape[:2]
            im, _ = transforms(im)
            im = im[np.newaxis, ...]
            im = paddle.to_tensor(im)

            if aug_pred:
                pred = infer.aug_inference(
                    model,
                    im,
                    ori_shape=ori_shape,
                    transforms=transforms.transforms,
                    scales=scales,
                    flip_horizontal=flip_horizontal,
                    flip_vertical=flip_vertical,
                    is_slide=is_slide,
                    stride=stride,
                    crop_size=crop_size)
            else:
                pred = infer.inference(
                    model,
                    im,
                    ori_shape=ori_shape,
                    transforms=transforms.transforms,
                    is_slide=is_slide,
                    stride=stride,
                    crop_size=crop_size)
            pred = paddle.squeeze(pred)
            pred = pred.numpy().astype('uint8')

            # get the saved name
            if image_dir is not None:
                im_file = im_path.replace(image_dir, '')
            else:
                im_file = os.path.basename(im_path)
            if im_file[0] == '/' or im_file[0] == '\\\\':
                im_file = im_file[1:]

            # save added image
            added_image = utils.visualize.visualize(
                im_path, pred, color_map, weight=0.6)
            added_image_path = os.path.join(added_saved_dir, im_file)
            mkdir(added_image_path)
            cv2.imwrite(added_image_path, added_image)

            # save pseudo color prediction
            pred_mask = utils.visualize.get_pseudo_color_map(pred, color_map)
            pred_saved_path = os.path.join(
                pred_saved_dir,
                os.path.splitext(im_file)[0] + ".png")
            mkdir(pred_saved_path)
            pred_mask.save(pred_saved_path)

            # pred_im = utils.visualize(im_path, pred, weight=0.0)
            # pred_saved_path = os.path.join(pred_saved_dir, im_file)
            # mkdir(pred_saved_path)
            # cv2.imwrite(pred_saved_path, pred_im)

            progbar_pred.update(i + 1)

4自定义color map

经过预测后，我们得到的是默认color map配色的预测分割结果。
如果你想要使用其他颜色，可以参考如下命令：

python predict.py \\
       --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \\
       --model_path output/iter_1000/model.pdparams \\
       --image_path data/optic_disc_seg/JPEGImages/H0003.jpg \\
       --save_dir output/result \\
       --custom_color 0 0 0 255 255 255

参数解析
可以看到我们在最后添加了 --custom_color 0 0 0 255 255 255，这是什么意思呢？在RGB图像中，每个像素最终呈现出来的颜色是由RGB三个通道的分量共同决定的，因此该命令行参数后每三位代表一种像素的颜色，位置与label.txt中各类像素点一一对应。
如果使用自定义color map，输入的color值的个数应该等于3 * 像素种类（取决于你所使用的数据集）。比如，你的数据集有 3 种像素，则可考虑执行:

python predict.py \\
       --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \\
       --model_path output/iter_1000/model.pdparams \\
       --image_path data/optic_disc_seg/JPEGImages/H0003.jpg \\
       --save_dir output/result \\
       --custom_color 0 0 0 100 100 100 200 200 200
我们建议你参照RGB颜色数值对照表来设置--custom_color。

4.2 常见的自定义颜色rgb

白色：rgb(255,255,255)
黑色：rgb(0,0,0)
红色：rgb(255,0,0)
绿色：rgb(0,255,0)

蓝色：rgb(0,0,255)

青色：rgb(0,255,255)

紫红色：rgb(255,0,255)

黄色：rgb(255,255,0)
紫色：rgb(160,32,240)

以上是关于paddleseg学习记录——模型预测的主要内容，如果未能解决你的问题，请参考以下文章

paddleseg学习记录

Keras学习记录之模型编译-训练-评估-预测

采用 ALSTM 模型的温度和降雨关联预测研究论文学习记录

52训练paddleSeg模型，部署自己的模型到OAK相机上

基于 Bi-LSTM 和迁移学习的多元汇率预测研究学习记录

基于 Bi-LSTM 和迁移学习的多元汇率预测研究学习记录