作者的碎碎念：U2Net是用来实现SOD的语义分割，本篇论文会介绍算法内容、主要代码、使用方法，以及如何将二分类语义分割修改为多类别语义模型。如果只想知道怎么训练自己的数据集，或者如何修改网络，可以通过目录进行跳转。
欢迎点赞、评论或收藏❤️
文章目录
- （一）相关链接
- （二）算法内容
- 1. 摘要
- 2. 介绍
- 3. 网络架构
- 4. loss函数
- 5. 作者实验结果
- （三）如何训练自己的数据
- 1. 标注
- 2. mask图像
- 3. 训练数据集格式
- 4. 配置文件修改
- 5. 训练命令
- 6. 测试命令
- （四）多类别语义分割
- 1. 实现思路
- 2. 修改方法
- 4. 测试
- 5. 训练测试效果
（一）相关链接
- 论文名称
《U2-Net: Going Deeper with Nested U-Structure for Salient Object Detection》 - github链接
https://github.com/xuebinqin/U-2-Net - paper
https://arxiv.org/pdf/2005.09007.pdf
（二）算法内容
1. 摘要
U²-Net是显著物体检测（salient object detection，简写SOD）的一个网络,并且现在已经是Python的抠图工具Rembg的基础算法
- 什么是SOD？
SOD是模拟人类视觉感知系统来定位场景中最吸引人的目标，例如人像 - 算法优点总结
（1）能获取到更多的上下文信息（RSU块，ReSidual U-blocks）
（2）增加网络深度但没有增加计算量。并且可以从0开始训练，不用从分类预训练网络中再训练 - 模型大小
U2-Net (176.3 MB, 30 FPS on GTX 1080Ti GPU)
U2-Net†(4.7 MB, 40 FPS)
2. 介绍
- 现有的SOD网络存在什么问题？
（1）现有的模式基本都是使用已有的backbone，例如AlexNet、VGG、ResNet。这些基础的网络都是为分类任务而设计的，提取的特征更多是语义特征，而不是定位特征和全局对比的信息。
（2）耗用大量的资源
（3）牺牲高分辨率的特征映射来实现更深层次的体系结构 - U2Net的目标是网络更深、使用的资源和计算量更少、能够保持高分辨率的特征图。怎么做呢？
（1）用两级的内嵌U型结构，不使用分类的backbone
（2）新型的网络结构更深、能获取高分辨率图像、不增加内存和计算量
3. 网络架构
- 卷积结构和RSU结构比对
（1）( a ) Plain convolution blockPLN
( b ) Residual-like block RES
( c ) Dense-like block DSE
( d ) Inception-like block INC
( e ) Our residual U-blockRSU
（2）(a)到( c )是典型的卷积结构，用了1x1和3x3的卷积，感受野太小，只能用来获取local feature
（3）(d)用了空洞卷积增大了感受野，但是需要大的内存和计算资源
（4）RSU-L模块，（L代表层数），Cin：输入通道，Cout：输出通道，M：RSU内部通道
- 开销比对
RSU的开销（overhead）不大，因为都是下采样，DSE和INC比较大 - 残差结构比对
（1）残差块：H(x) = F2(F1(x))+x，H(x)是x的映射，F1和F2是卷积操作【对应两个weight layer】
（2）RSU：HRSU (x) = U(F1(x))+F1(x)，RSU和残差不同的地方，是将卷积替换成像Unet的U型结构U-block，原来的输入x替换成F1(x)【weight layer之后】 - 网络架构
U-Net-like这种结构本来就有，只不过是级联起来，Uxn Net，而作者提出来的是 Un Net，用内嵌(nested)结构而不是级联结构
（1）结构特点：11个stage，每个stage都是RSU结构
🔸 a six stages encoder
🔸a five stages decoder
🔸a saliency map fusion module attached with the decoder stages and the last encoder stage
（2）编码器：
🔹En_1、En_2、En_3、En_4（即前四个）用到的RSU层数是 RSU-7、 RSU-6、 RSU-5、 RSU-4，层数越多，尺度信息越丰富
🔹En-5和En-6用了RSU-4F，用了空洞卷积，保证了输入输出是相同的分辨率
（3）解码器：
De-5也是用了RSU-4F，和En-5、En-6类似
（4）融合模块（saliency map fusion module）：
编码器和解码器的输出，经过3x3卷积和sigmoid，upsample，输出了6个概率热力图：S_side(6)、S_side(5)、S_side(4)、S_side(3)、S_side(2)、S_side(1) ，用1x1卷积进行融合，产生了S_fuse
4. loss函数
✅总Loss等于所有loss之和，包括S_side(6)、S_side(5)、S_side(4)、S_side(3)、S_side(2)、S_side(1)，和融合的S_fuse
✅每一层的S_side(x)的loss，使用了二分类交叉熵损失函数
5. 作者实验结果
Red, Green, and Blue indicate the best, second best and third best performance
（三）如何训练自己的数据
1. 标注
用labelme标注图片，生成json文件
2. mask图像
将json文件转换为mask图片，背景黑色，物体白色，下面是转换代码：
import cv2
import json
import numpy as np
import os
import sys
def func(file:str) -> np.ndarray:
with open(file, mode='r', encoding="utf-8") as f:
configs = json.load(f)
shapes = configs["shapes"]
png = np.zeros((configs["imageHeight"], configs["imageWidth"], 3), np.uint8)
for shape in shapes:
cv2.fillPoly(png, [np.array(shape["points"], np.int32)], (255,255,255))
return png
if __name__ == "__main__":
if len(sys.argv) != 3:
raise ValueError("json文件或目录 输出路径")
if os.path.isdir(sys.argv[1]):
for file in os.listdir(sys.argv[1]):
cv2.imwrite(os.path.join(sys.argv[2], os.path.splitext(file)[0]+".png" ), func(os.path.join(sys.argv[1], file)))
else:
cv2.imwrite(os.path.join(sys.argv[2], os.path.splitext(os.path.basename(sys.argv[1]))[0]+".png"), func(sys.argv[1]))
3. 训练数据集格式
1️⃣在工程目录创建目录：train_data/DUTS/DUTS-TR/DUTS-TR/
2️⃣在第一步骤创建的目录上，创建目录im_aug，将原图放在这
3️⃣在第一步骤创建的目录上，创建目录gt_aug，将转换的mask图放在这
4. 配置文件修改
打开u2net_train.py，一般可以设置这几项：
model_name = ‘u2net’ # 用u2net或者u2netp模型进行训练
epoch_num = 100000 # 训练轮次
batch_size_train = 12 # batchsize
save_frq = 2000 # 每2000个iter保存一个模型
5. 训练命令
python u2net_train.py
6. 测试命令
python u2net_test.py
（四）多类别语义分割
作者提供的代码只实现了二分类的语义分割，U2Net是否可以用来做多类别的语义分割？答案是可以了，下面提供了将二分类语义分割转换为多类别语义分割的方法
1. 实现思路
🔺项目背景：图片有两个类别，分别是螺丝钉和位移线
🔺类别：两个类别+背景，num_class = 3，如果有更多类别，则是n+1类，1是背景
🔺mask图片：二分类时，填充的是0和255；多分类，不同类别可以填充为0(背景)、1(螺丝钉)、2（位移线），所以最多只能分出0~255个类别。查看3个类别的mask，因为像素值只有0、1、2，肉眼看基本是一张黑色图像
🔺模型输出：三个类别，输出三个通道，如[3, 320, 320]，每一个通道代表一个类别
2. 修改方法
（1）获取多类别训练mask脚本
import cv2
import json
import numpy as np
import os
import sys
def func(file):
with open(file, mode='r', encoding="utf-8") as f:
configs = json.load(f)
shapes = configs["shapes"]
png = np.zeros((configs["imageHeight"], configs["imageWidth"], 3), np.uint8)
for shape in shapes:
label = shape['label']
if label == 'lm':
cv2.fillPoly(png, [np.array(shape["points"], np.int32)], (1,1,1))
else:
cv2.fillPoly(png, [np.array(shape["points"], np.int32)], (2,2,2))
return png
if __name__ == "__main__":
json_dir = "./train_data/labels_json"
save_dir = './train_data/masks'
for file in os.listdir(json_dir):
print(file)
png = func(os.path.join(json_dir, file))
print(png.shape)
save_path = save_dir+'/'+os.path.splitext(file)[0]+".png"
cv2.imwrite(save_path, png)
print(save_path)
（2）data_loader.py
class ToTensor(object)和class ToTensorLab(object)这两个类中，有对label进行归一化操作，去除该操作，因为计算loss的时候，多类别换成交叉熵损失函数，它本身包含了softmax操作
（3）model/u2net.py
修改模型输出，作者在class U2NETP(nn.Module)和class U2NET(nn.Module)这两个类用了sigmoid函数，需要修改为直接输出，原因同上
# return F.sigmoid(d0), F.sigmoid(d1), F.sigmoid(d2), F.sigmoid(d3), F.sigmoid(d4), F.sigmoid(d5), F.sigmoid(d6)
return d0, d1, d2, d3, d4, d5, d6
（4）u2net_train.py
修改损失函数和模型输出通道，将损失函数由原来的BCELoss，修改为CrossEntropyLoss，并设置模型的输出通道和类别一致
# bce_loss = nn.BCELoss(size_average=True) # 注释
ce_loss = nn.CrossEntropyLoss() # 添加
# def muti_bce_loss_fusion(d0, d1, d2, d3, d4, d5, d6, labels_v): # 注释
# loss0 = bce_loss(d0, labels_v)
# loss1 = bce_loss(d1, labels_v)
# loss2 = bce_loss(d2, labels_v)
# loss3 = bce_loss(d3, labels_v)
# loss4 = bce_loss(d4, labels_v)
# loss5 = bce_loss(d5, labels_v)
# loss6 = bce_loss(d6, labels_v)
# loss = loss0 + loss1 + loss2 + loss3 + loss4 + loss5 + loss6
# print("l0: %3f, l1: %3f, l2: %3f, l3: %3f, l4: %3f, l5: %3f, l6: %3f\n" % (
# loss0.data.item(), loss1.data.item(), loss2.data.item(), loss3.data.item(), loss4.data.item(), loss5.data.item(),
# loss6.data.item()))
# return loss0, loss
def muti_ce_loss_fusion(d0, d1, d2, d3, d4, d5, d6, labels_v): # 添加
loss0 = ce_loss(d0, labels_v)
loss1 = ce_loss(d1, labels_v)
loss2 = ce_loss(d2, labels_v)
loss3 = ce_loss(d3, labels_v)
loss4 = ce_loss(d4, labels_v)
loss5 = ce_loss(d5, labels_v)
loss6 = ce_loss(d6, labels_v)
loss = loss0 + loss1 + loss2 + loss3 + loss4 + loss5 + loss6
print("l0: %3f, l1: %3f, l2: %3f, l3: %3f, l4: %3f, l5: %3f, l6: %3f\n" % (
loss0.data.item(), loss1.data.item(), loss2.data.item(), loss3.data.item(), loss4.data.item(), loss5.data.item(),
loss6.data.item()))
return loss0, loss
# ------- 3. define model --------
# define the net
n_class = 3
if (model_name == 'u2net'):
net = U2NET(3, n_class)
elif (model_name == 'u2netp'):
net = U2NETP(3, n_class)
4. 测试
该例子中，存在三个类别，分别是背景、螺丝钉、位移线，对应模型三个通道的输出，但模型输出为概率值，如何获取到真实的类别，以及将类别用不同颜色表示出来？可以用下面这个脚本实现模型推理和输出结果图
import os
import cv2
from skimage import io, transform
import torch
import torchvision
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms#, utils
# import torch.optim as optim
import numpy as np
from PIL import Image
import glob
from data_loader import RescaleT
from data_loader import ToTensor
from data_loader import ToTensorLab
from data_loader import SalObjDataset
from model import U2NET # full size version 173.6 MB
from model import U2NETP # small version u2net 4.7 MB
# normalize the predicted SOD probability map
def normPRED(d):
ma = torch.max(d)
mi = torch.min(d)
dn = (d-mi)/(ma-mi)
return dn
def save_output(image_name,pred,d_dir):
predict = pred
predict = predict.squeeze()
predict_np = predict.cpu().data.numpy()
im = Image.fromarray(predict_np*255).convert('RGB')
img_name = image_name.split(os.sep)[-1]
image = io.imread(image_name)
imo = im.resize((image.shape[1],image.shape[0]),resample=Image.BILINEAR)
pb_np = np.array(imo)
aaa = img_name.split(".")
bbb = aaa[0:-1]
imidx = bbb[0]
for i in range(1,len(bbb)):
imidx = imidx + "." + bbb[i]
imo.save(d_dir+imidx+'.png')
def main():
# --------- 1. get image path and name ---------
model_name='u2net'#u2netp
num_class = 3
image_dir = os.path.join(os.getcwd(), 'test_data', 'ls_test_images')
prediction_dir = os.path.join(os.getcwd(), 'test_data', model_name + '_results_ls' + os.sep)
model_dir = os.path.join(os.getcwd(), 'saved_models', model_name, 'u2net_bce_itr_1000_train_1.046126_tar_0.124982.pth')
img_name_list = glob.glob(image_dir + os.sep + '*')
print(img_name_list)
# --------- 2. dataloader ---------
#1. dataloader
test_salobj_dataset = SalObjDataset(img_name_list = img_name_list,
lbl_name_list = [],
transform=transforms.Compose([RescaleT(320),
ToTensorLab(flag=0)])
)
test_salobj_dataloader = DataLoader(test_salobj_dataset,
batch_size=1,
shuffle=False,
num_workers=1)
# --------- 3. model define ---------
if(model_name=='u2net'):
print("...load U2NET---173.6 MB")
net = U2NET(3,num_class)
elif(model_name=='u2netp'):
print("...load U2NEP---4.7 MB")
net = U2NETP(3,num_class)
if torch.cuda.is_available():
net.load_state_dict(torch.load(model_dir))
net.cuda()
else:
net.load_state_dict(torch.load(model_dir, map_location='cpu'))
net.eval()
# --------- 4. inference for each image ---------
for i_test, data_test in enumerate(test_salobj_dataloader):
print("inferencing:",img_name_list[i_test].split(os.sep)[-1])
inputs_test = data_test['image']
image = cv2.imread(img_name_list[i_test])
image_name = os.path.basename(img_name_list[i_test])
inputs_test = inputs_test.type(torch.FloatTensor)
if torch.cuda.is_available():
inputs_test = Variable(inputs_test.cuda())
else:
inputs_test = Variable(inputs_test)
d1,d2,d3,d4,d5,d6,d7= net(inputs_test)
d1 = d1.squeeze(dim=0) # torch.Size([1, 3, 320, 320]) -> torch.Size([3, 320, 320])
d1 = F.softmax(d1, dim=0) # [3, 320, 320]
# print(d1[0, :, :])
predict_np = torch.argmax(d1, dim=0, keepdim=True)
# print(predict_np.shape) # [1, 320, 320],3个类别，对应3个通道，获取概率值最高的下标
predict_np = predict_np.cpu().detach().numpy().squeeze() # 转到cpu设备
predict_np = cv2.resize(predict_np, (image.shape[1], image.shape[0]), interpolation=cv2.INTER_NEAREST) # resize和原图一样的大小
r = predict_np.copy()
b = predict_np.copy()
g = predict_np.copy()
cls = dict([(1, (0, 0, 255)),
(2, (255, 0, 255)),
(3, (0, 255, 0)),
(4, (255, 0, 0)),
(5, (255, 255, 0))])
for c in cls:
r[r == c] = cls[c][0]
g[g == c] = cls[c][1]
b[b == c] = cls[c][2]
rgb = np.zeros((image.shape[0], image.shape[1], 3))
# print('类别', np.unique(predict_np))
rgb[:, :, 0] = r
rgb[:, :, 1] = g
rgb[:, :, 2] = b
im = Image.fromarray(rgb.astype(np.uint8))
im.save('./test_data/my_results_2/' + str(image_name)[:-4] + '.png')
del d1,d2,d3,d4,d5,d6,d7
if __name__ == "__main__":
main()
5. 训练测试效果
经过少量数据的训练测试，证明U2Net可以用来做多类别语义分割
撒花完结🌟🌟🌟
