动手学深度学习（Pytorch版）代码实践 -计算机视觉-46语义分割和数据集

46语义分割和数据集

在这里插入图片描述

# 图像分割和实例分割
"""
图像分割将图像划分为若干组成区域，这类问题的方法通常利用图像中像素之间的相关性。
它在训练时不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。
图像分割可能会将狗分为两个区域：一个覆盖以黑色为主的嘴和眼睛，另一个覆盖以黄色为主的其余部分身体。

实例分割也叫同时检测并分割（simultaneous detection and segmentation），
它研究如何识别图像中各个目标实例的像素级区域。
与语义分割不同，实例分割不仅需要区分语义，还要区分不同的目标实例。
例如，如果图像中有两条狗，则实例分割需要区分像素属于的两条狗中的哪一条。
"""
# Pascal VOC2012 语义分割数据集
# URL:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/ 
import os
import torch
import torchvision
from d2l import torch as d2l
import matplotlib.pyplot as plt

#@save
# d2l.DATA_HUB['voc2012'] = (d2l.DATA_URL + 'VOCtrainval_11-May-2012.tar',
#                            '4e443f8a2eca6b1dac8a6c57641b67dd40621a49')

# voc_dir = d2l.download_extract('voc2012', 'VOCdevkit/VOC2012')

voc_dir = '../data/VOCdevkit/VOC2012'


#@save
def read_voc_images(voc_dir, is_train=True):
    """将所有输入的图像和标签读入内存"""
    txt_fname = os.path.join(voc_dir, 'ImageSets', 'Segmentation',
                             'train.txt' if is_train else 'val.txt')
    # 设置读取图像的模式为 RGB 模式
    mode = torchvision.io.image.ImageReadMode.RGB
    # 打开包含图像文件名的文本文件，并读取其中的所有文件名
    with open(txt_fname, 'r') as f:
        images = f.read().split()
    # 初始化存储特征图像（features）和标签图像（labels）的列表
    features, labels = [], []
    # 遍历每一个图像文件名
    for i, fname in enumerate(images):
        # 读取图像文件，并将其添加到 features 列表中
        features.append(torchvision.io.read_image( # 图像文件默认模式读取方式为RGB
            os.path.join(voc_dir, 'JPEGImages', f'{fname}.jpg')))
        
        # 读取标签文件（使用 RGB 模式），并将其添加到 labels 列表中
        labels.append(torchvision.io.read_image(
            os.path.join(voc_dir, 'SegmentationClass', f'{fname}.png'), 
            mode))
    
    # 返回包含特征图像和标签图像的两个列表
    return features, labels

train_features, train_labels = read_voc_images(voc_dir, True)

# 设置要处理的图像数量为5
n = 5
# 从 train_features 中取前 n 个图像，从 train_labels 中取前 n 个标签，并将它们组合成一个列表
imgs = train_features[0:n] + train_labels[0:n]
# 对列表中的每个图像进行 permute 操作，将每个图像的维度从 (C, H, W) 变换为 (H, W, C)
# 这样做是为了将图像的通道维度移到最后，从而满足图像显示函数的输入要求。
imgs = [img.permute(1,2,0) for img in imgs]
# 使用 d2l.show_images 函数显示这些图像，布局为2行 n列
d2l.show_images(imgs, 2, n)
plt.show()


# 列举RGB颜色值和类名
#@save
VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
                [0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
                [64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
                [64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],
                [0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],
                [0, 64, 128]]

#@save
VOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat',
               'bottle', 'bus', 'car', 'cat', 'chair', 'cow',
               'diningtable', 'dog', 'horse', 'motorbike', 'person',
               'potted plant', 'sheep', 'sofa', 'train', 'tv/monitor']

#@save
def voc_colormap2label():
    """构建从RGB到VOC类别索引的映射"""
    colormap2label = torch.zeros(256 ** 3, dtype=torch.long)
    # enumerate 是 Python 内置函数之一，
    # 用于遍历可迭代对象（如列表、元组或字符串）时同时获取元素的索引和值
    for i, colormap in enumerate(VOC_COLORMAP):
        colormap2label[
            (colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
    return colormap2label

#@save
def voc_label_indices(colormap, colormap2label):
    """将VOC标签中的RGB值映射到它们的类别索引"""
    colormap = colormap.permute(1, 2, 0).numpy().astype('int32')
    idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
           + colormap[:, :, 2])
    return colormap2label[idx]


# y = voc_label_indices(train_labels[0], voc_colormap2label())
# print(y[105:115, 130:140])
# print(VOC_CLASSES[1])
"""
tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
        [0, 0, 0, 0, 0, 0, 0, 1, 1, 1],
        [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
        [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
        [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
        [0, 0, 0, 0, 1, 1, 1, 1, 1, 1],
        [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
        [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
        [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
        [0, 0, 0, 0, 0, 0, 0, 0, 1, 1]])
aeroplane
"""

# 预处理数据
#@save
# 将图像裁剪为固定尺寸，而不是再缩放
# 使用图像增广中的随机裁剪，裁剪输入图像和标签的相同区域
def voc_rand_crop(feature, label, height, width):
    """随机裁剪特征和标签图像"""
    rect = torchvision.transforms.RandomCrop.get_params(
        feature, (height, width))
    feature = torchvision.transforms.functional.crop(feature, *rect)
    label = torchvision.transforms.functional.crop(label, *rect)
    return feature, label

imgs = []
for _ in range(n):
    imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)

imgs = [img.permute(1, 2, 0) for img in imgs]
d2l.show_images(imgs[::2] + imgs[1::2], 2, n) # 便于展示
"""
imgs = [0, 1, 2, 3, 4, 5]
result = imgs[::2] + imgs[1::2]
# imgs[::2] 返回 [0, 2, 4]
# imgs[1::2] 返回 [1, 3, 5]
# result 将这两个子列表连接起来，返回 [0, 2, 4, 1, 3, 5]
"""
plt.show()

#@save
class VOCSegDataset(torch.utils.data.Dataset):
    """一个用于加载VOC数据集的自定义数据集"""

    def __init__(self, is_train, crop_size, voc_dir):
        # 定义标准化转换，使用 ImageNet 数据集的均值和标准差
        self.transform = torchvision.transforms.Normalize(
            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
        self.crop_size = crop_size   # 保存裁剪尺寸
        
        # 读取 VOC 数据集中的图像和标签
        features, labels = read_voc_images(voc_dir, is_train=is_train)
        
        # 对图像进行过滤和标准化处理
        self.features = [self.normalize_image(feature)
                         for feature in self.filter(features)]
        self.labels = self.filter(labels) # 对标签进行过滤处理
        self.colormap2label = voc_colormap2label()  # 获取颜色到标签的映射
        print('read ' + str(len(self.features)) + ' examples')

    def normalize_image(self, img):
        # 将图像标准化：将图像的像素值从 [0, 255] 缩放到 [0, 1] 然后应用标准化
        return self.transform(img.float() / 255)

    def filter(self, imgs):
        # 过滤图像，保留那些大小不小于裁剪尺寸的图像
        return [img for img in imgs if (
            img.shape[1] >= self.crop_size[0] and
            img.shape[2] >= self.crop_size[1])]

    def __getitem__(self, idx):
        # 获取指定索引处的图像和标签，并进行随机裁剪
        feature, label = voc_rand_crop(self.features[idx], self.labels[idx],
                                       *self.crop_size)
        # 返回裁剪后的图像和对应的标签索引
        return (feature, voc_label_indices(label, self.colormap2label))

    def __len__(self):
        # 返回数据集中图像的数量
        return len(self.features)


# 分别创建训练集和测试集的实例
crop_size = (320, 480)
voc_train = VOCSegDataset(True, crop_size, voc_dir)
voc_test = VOCSegDataset(False, crop_size, voc_dir)
# read 1114 examples
# read 1078 examples

# 定义训练集的迭代器
batch_size = 64
train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
                                    drop_last=True,
                                    num_workers=0)
for X, Y in train_iter:
    print(X.shape)
    print(Y.shape)
    break
# torch.Size([64, 3, 320, 480])
# torch.Size([64, 320, 480])

# 整合所有组件
#@save
def load_data_voc(batch_size, crop_size):
    """加载VOC语义分割数据集"""
    voc_dir = '../data/VOCdevkit/VOC2012'
    num_workers = 4
    train_iter = torch.utils.data.DataLoader(
        VOCSegDataset(True, crop_size, voc_dir), batch_size,
        shuffle=True, drop_last=True, num_workers=num_workers)
    test_iter = torch.utils.data.DataLoader(
        VOCSegDataset(False, crop_size, voc_dir), batch_size,
        drop_last=True, num_workers=num_workers)
    return train_iter, test_iter