SAM 提示框和 Unet的语义分割的融合：自动驾驶车道线分割

news2024/11/26 15:29:31

1、前言

最近SAM 模型复现的多了，看了不少官方的源码，尝试下SAM和Unet的结合

SAM的提示分割，其实就是在分割的时候，为数据增加一个提示信息，可以是框，点，或者文本等等。这样大模型网络就可以根据提示信息进行分割

SAM模型的复现可以参考：视觉大模型学习笔记_听风吹等浪起的博客-CSDN博客

如下图，就是手动的给出提示框，然后网络分割出框里的内容

需要注意的是，本文不对SAM的原理进行讲解，只是借鉴SAM的提示分割思想，将其和unet结合

其实，思想很简单，一般的图像分割网络是3通道的，因为图像都是RGB的。

而这里需要传入sam的提示信息，所以还要增加一个维度，也就是说最开始输入神经网络的的通道是4维度的！

神经网络输入四维度很好实现，就是更改卷积核的个数罢了。毕竟正常神经网络隐藏层都是上百个，这里一开始和输入和中间隐藏层没啥区别，就是更改个数字罢了

实现了输入，最重要的是怎么把数据传进去！！！这里非常重要！！！

看了 MedSAM 源码实现，发现实现的思路确实很巧妙

大概思路就是，在图像上加上一层canvas，是全黑的。然后对mask的前景分割类别随机挑选一个，变成二值数据，这样就可以求取min和max，就可以得到box，将这个box传给canvas就可以达到提示框的目的

这里后面会根据代码介绍

2、SAM 提示框分割

SAM的提示信息分割有好几种，因为本人是医学图像专业，这里只实现了提示框分割。

其实点提示分割也很简单，明白了提示框分割的思路后，点分割就是怎么对数据处理的问题。或者就是把canvas的提示框换成其他mask模板。

点提示的话，可以用区域生长进行掩膜？

提示框的作用是什么呢？

说白了就是让网络更集中在一块区域，对指定区域进行分割。

一般的语义分割，就是image和mask 一一对应，然后交叉熵、优化。这样网络同时要预测好几个类别，这也是为啥多类别分割效果不如二值分割好的原因

而提示框的box选定后，不管mask中有几个类别，这样mask都会变成二值的。

就像下面，分割的前景好十来个，但是我们绘制了box圈中小车后，那么对于网络来说，就是二值的分割。也就是前景车1 ，背景是除车的所有区域

代码实现的思路很简单，mask是0 1 2 3 4等等阈值图像，我们随机选中一个值，只取出这个值的数据。例如是3，那么除了3位置（x，y）得其他区域全部是0，3变成了新的阈值前景，这样不就是二值图像了嘛！！

至于二值图像，计算前景的min，max，就可以绘制边界框，这样就是sam提示框分割的精髓。代码实现如下

        label_ids = np.unique(mask)[1:]
        label_id = random.choice(label_ids.tolist())
        mask = np.uint8(mask == label_id)  # only one label

自动添加边界框：

        y_indices, x_indices = np.where(mask > 0)
        x_min, x_max = np.min(x_indices), np.max(x_indices)
        y_min, y_max = np.min(y_indices), np.max(y_indices)

这样输入的数据就不是RGB图像，而是RGB+canvas（矩形边界框）的四通道数据

注意：这里的操作都是在dataset脚本实现的

3、Unet 网络

unet网络分割思想很简单，之前写了很多关于unet分割的介绍，自己参考就行

UNet 网络做图像分割DRIVE数据集-CSDN博客

图像分割_听风吹等浪起的博客-CSDN博客

因为datase已经产生了四通道的数据，所有unet的输入是4维的，而输出是二值图像，所有outout是2维的

这里用1，因为后面用了 DiceCELoss 损失，而非交叉熵

Tips：

虽然Unet网络略显过时，什么DenseUne、TransUnet、SwinUnet等等都很好。

这里为了方便只是将sam和Unet结合，如果需要把sam和其他分割网络结合，把上面的model换成想要的分割模型，定义输入4，输出1就行

其他的代码不需要更改！

4、实验准备

环境如下，pip安装即可

matplotlib==3.9.2
monai==1.3.1
numpy==2.1.0
opencv_python==4.10.0.82
Pillow==10.4.0
torch==2.0.0
torchvision==0.15.1
tqdm==4.66.4

4.1 数据集

数据集使用的是自动驾驶车道线的分割，标签如下，可视化如下

0	 background
1	 white_lines
2	 yellow_lines

数据集摆放如下：

--data--train---images   训练集的图像
--data--train---masks    训练集的图像标签
--data--val---images     验证集的图像
--data--val---masks      验证集的图像标签

4.2 训练

因为SAM提示框每次都是挑选一个前景分割，对于类别多的话，epoch最好设置的多点

参数如下：

    parser = argparse.ArgumentParser(description="SamUnet segmentation")
    parser.add_argument("--batch-size", default=8, type=int)
    parser.add_argument("--epochs", default=200, type=int)
    parser.add_argument('--lr', default=0.01, type=float)
    parser.add_argument('--lrf',default=0.0001,type=float)                  # 最终学习率 = lr * lrf

    parser.add_argument("--img_f", default='.jpg', type=str)               # 数据图像的后缀
    parser.add_argument("--mask_f", default='_mask.png', type=str)              # mask图像的后缀

    args = parser.parse_args()

训练集和验证集的比例约为3：1