.. _sec_semantic_segmentation:
Семантическая сегментация и набор данных
========================================
В разделах :numref:`sec_bbox`–:numref:`sec_rcnn`, посвященных
задачам обнаружения объектов, для разметки и предсказания объектов на
изображениях используются прямоугольные ограничивающие рамки. В этом
разделе мы обсудим задачу *семантической сегментации*, которая
заключается в разделении изображения на области, относящиеся к различным
семантическим классам. В отличие от обнаружения объектов, семантическая
сегментация распознает и понимает, что именно содержится на изображении,
на уровне пикселей: её разметка и предсказание семантических областей
выполняются на уровне пикселей. На рисунке :numref:`fig_segmentation`
показаны метки собаки, кошки и фона изображения при семантической
сегментации. По сравнению с обнаружением объектов, границы, размеченные
на уровне пикселей при семантической сегментации, оказываются
значительно более детализированными.
.. _fig_segmentation:
.. figure:: ../img/segmentation.svg
Метки собаки, кошки и фона изображения при семантической сегментации.
Сегментация изображений и пообъектная сегментация
-------------------------------------------------
В области компьютерного зрения также существуют две важные задачи,
схожие с семантической сегментацией, а именно сегментация изображений и
сегментация объектов. Мы кратко рассмотрим их отличия от семантической
сегментации.
- *Сегментация изображений* разделяет изображение на несколько
составляющих областей. Методы для решения этой задачи обычно
используют корреляцию между пикселями. В процессе обучения им не
требуется информация о метках пикселей, и они не могут гарантировать,
что сегментированные области будут обладать той семантикой, которую мы
ожидаем получить при прогнозировании. На примере изображения в
:numref:`fig_segmentation` видно, что сегментация изображений может
разделить собаку на две области: одну, охватывающую рот и глаза,
которые в основном черные, и другую, охватывающую остальную часть
тела, которая в основном желтая.
- *Сегментация объектов* (instance segmentation) также называется
*одновременным обнаружением и сегментацией*. Она изучает, как
распознавать области на уровне пикселей для каждого объекта на
изображении. В отличие от семантической сегментации, сегментация
объектов должна различать не только семантику, но и различные объекты.
Например, если на изображении есть две собаки, сегментация объектов
должна определить, к какому из двух объектов принадлежит каждый
пиксель.
Набор данных Pascal VOC2012 для семантической сегментации
---------------------------------------------------------
Одним из наиболее важных наборов данных для семантической сегментации
является `Pascal
VOC2012 `__. В
дальнейшем мы рассмотрим этот набор данных.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
%matplotlib inline
import os
import torch
import torchvision
from d2l import torch as d2l
Тар-архив набора данных занимает около 2 ГБ, поэтому его загрузка может
занять некоторое время. Извлеченный набор данных находится по адресу
``../data/VOCdevkit/VOC2012``.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
d2l.DATA_HUB['voc2012'] = (d2l.DATA_URL + 'VOCtrainval_11-May-2012.tar',
'4e443f8a2eca6b1dac8a6c57641b67dd40621a49')
voc_dir = d2l.download_extract('voc2012', 'VOCdevkit/VOC2012')
После ввода пути ``../data/VOCdevkit/VOC2012`` мы видим различные
компоненты набора данных. Путь ``ImageSets/Segmentation`` содержит
текстовые файлы, определяющие обучающие и тестовые примеры, тогда как
пути ``JPEGImages`` и ``SegmentationClass`` хранят входное изображение и
метку для каждого примера соответственно. Метка здесь также представлена
в виде изображения того же размера, что и соответствующее ему входное
изображение. Кроме того, пиксели одного цвета на любом изображении меток
принадлежат одному и тому же семантическому классу. Ниже определяется
функция ``read_voc_images`` для загрузки всех входных изображений и
меток в память.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
def read_voc_images(voc_dir, is_train=True):
"""Read all VOC feature and label images."""
txt_fname = os.path.join(voc_dir, 'ImageSets', 'Segmentation',
'train.txt' if is_train else 'val.txt')
mode = torchvision.io.image.ImageReadMode.RGB
with open(txt_fname, 'r') as f:
images = f.read().split()
features, labels = [], []
for i, fname in enumerate(images):
features.append(torchvision.io.read_image(os.path.join(
voc_dir, 'JPEGImages', f'{fname}.jpg')))
labels.append(torchvision.io.read_image(os.path.join(
voc_dir, 'SegmentationClass' ,f'{fname}.png'), mode))
return features, labels
train_features, train_labels = read_voc_images(voc_dir, True)
Мы нарисуем первые пять входных изображений и их метки. На изображениях
меток белый и черный цвета обозначают границы и фон соответственно,
тогда как другие цвета соответствуют различным классам.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
n = 5
imgs = train_features[:n] + train_labels[:n]
imgs = [img.permute(1,2,0) for img in imgs]
d2l.show_images(imgs, 2, n);
Далее мы перечисляем значения цветов RGB и названия классов для всех
меток в этом наборе данных.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@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']
Используя две константы, определённые выше, мы можем удобно найти индекс
класса для каждого пикселя в метке. Мы определяем функцию
``voc_colormap2label`` для построения отображения от приведённых выше
значений RGB к индексам классов и функцию ``voc_label_indices`` для
преобразования любых значений RGB в их индексы классов в наборе данных
Pascal VOC2012.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
def voc_colormap2label():
"""Build the mapping from RGB to class indices for VOC labels."""
colormap2label = torch.zeros(256 ** 3, dtype=torch.long)
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):
"""Map any RGB values in VOC labels to their class indices."""
colormap = colormap.permute(1, 2, 0).numpy().astype('int32')
idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
+ colormap[:, :, 2])
return colormap2label[idx]
Например, в первом примере изображения индекс класса передней части
самолета равен 1, тогда как индекс фона равен 0.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
y = voc_label_indices(train_labels[0], voc_colormap2label())
y[105:115, 130:140], VOC_CLASSES[1]
Предобработка данных
~~~~~~~~~~~~~~~~~~~~
В предыдущих экспериментах, таких как в
:numref:`sec_alexnet`–:numref:`sec_googlenet`, изображения
приводились к размеру, соответствующему требуемой входной форме модели.
Однако в семантической сегментации это потребовало бы обратного
масштабирования предсказанных классов пикселей к исходной форме входного
изображения. Такое масштабирование может быть неточным, особенно для
сегментированных областей с разными классами. Чтобы избежать этой
проблемы, мы обрезаем изображение до *фиксированной* формы вместо его
масштабирования. А именно, используя случайную обрезку из аугментации
изображений, мы обрезаем одну и ту же область входного изображения и
метки.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
def voc_rand_crop(feature, label, height, width):
"""Randomly crop both feature and label images."""
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
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
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);
Пользовательский класс набора данных для семантической сегментации
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Мы определяем пользовательский класс набора данных для семантической
сегментации ``VOCSegDataset``, наследуя класс ``Dataset``,
предоставляемый высокоуровневыми API. Реализуя метод ``__getitem__``, мы
можем произвольно получать доступ к входному изображению с индексом
``idx`` в наборе данных и к индексам классов каждого пикселя в этом
изображении. Поскольку некоторые изображения в наборе данных имеют
меньший размер, чем размер выходных данных случайной обрезки, эти
примеры отфильтровываются с помощью пользовательского фильтра
``filter``. Кроме того, мы также определяем метод ``normalize_image``
для стандартизации значений трёх каналов RGB входных изображений.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
class VOCSegDataset(torch.utils.data.Dataset):
"""A customized dataset to load the VOC dataset."""
def __init__(self, is_train, crop_size, voc_dir):
self.transform = torchvision.transforms.Normalize(
mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
self.crop_size = crop_size
features, labels = read_voc_images(voc_dir, is_train=is_train)
self.features = [self.normalize_image(feature)
for feature in self.filter(features)]
self.labels = self.filter(labels)
self.colormap2label = voc_colormap2label()
print('read ' + str(len(self.features)) + ' examples')
def normalize_image(self, img):
return self.transform(img.float() / 255)
def filter(self, imgs):
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):
feature, label = voc_rand_crop(self.features[idx], self.labels[idx],
*self.crop_size)
return (feature, voc_label_indices(label, self.colormap2label))
def __len__(self):
return len(self.features)
Чтение набора данных
~~~~~~~~~~~~~~~~~~~~
Мы используем пользовательский класс ``VOCSegDatase`` для создания
экземпляров обучающей и тестовой выборок соответственно. Предположим,
что мы указали, что форма случайно вырезанных изображений составляет
:math:`320\times 480`. Ниже показано количество примеров, сохранённых в
обучающей и тестовой выборках.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
crop_size = (320, 480)
voc_train = VOCSegDataset(True, crop_size, voc_dir)
voc_test = VOCSegDataset(False, crop_size, voc_dir)
Задавая размер батча равным 64, мы определяем итератор данных для
обучающей выборки. Выведем форму первого мини-батча. В отличие от задач
классификации изображений или обнаружения объектов, метки здесь являются
трёхмерными тензорами.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
batch_size = 64
train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
drop_last=True,
num_workers=d2l.get_dataloader_workers())
for X, Y in train_iter:
print(X.shape)
print(Y.shape)
break
Собираем всё вместе
~~~~~~~~~~~~~~~~~~~
Наконец, мы определяем следующую ``load_data_voc`` функцию для загрузки
и чтения набора данных семантической сегментации Pascal VOC2012. Она
возвращает итераторы данных как для обучающего, так и для тестового
наборов данных.
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
def load_data_voc(batch_size, crop_size):
"""Load the VOC semantic segmentation dataset."""
voc_dir = d2l.download_extract('voc2012', os.path.join(
'VOCdevkit', 'VOC2012'))
num_workers = d2l.get_dataloader_workers()
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
Итоги
-----
- Семантическая сегментация распознаёт и определяет, что изображено на
картинке, на уровне пикселей, разделяя изображение на области,
относящиеся к различным семантическим классам.
- Одним из наиболее важных наборов данных для семантической сегментации
является Pascal VOC2012.
- В семантической сегментации, поскольку входное изображение и метка
соответствуют друг другу пиксель в пиксель, входное изображение
случайным образом вырезается до фиксированной формы, а не
масштабируется.
Упражнения
----------
1. Как семантическая сегментация может применяться в автономных
транспортных средствах и медицинской диагностике изображений? Можете
ли вы придумать другие области применения?
2. Вспомните описания аугментации данных в
:numref:`sec_image_augmentation`. Какие из методов аугментации
изображений, используемых в классификации изображений, было бы
невозможно применить в семантической сегментации?
`Обсуждения `__