ContourDetection

KO | EN

gitlite — search

#llm #go #golang #deep-learning #docker #macos #nodejs #java #windows #kubernetes #security #pytorch #ios #openai

ContourDetection

(★ 10)

My thesis project

ContourDetection 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

## Mã nguồn cài đặt cho hai phương pháp CEDN (Convolutional Encoder Decoder Network) và RCN (RefineContourNet)

- CEDN: [https://arxiv.org/pdf/1603.04530.pdf](https://arxiv.org/pdf/1603.04530.pdf)
  - RCN: [https://arxiv.org/pdf/1904.13353.pdf](https://arxiv.org/pdf/1904.13353.pdf)

## Huấn luyện với tập dữ liệu Pascal VOC + Pascal Context

Tải tập PASCAL VOC (ảnh huấn luyện) và PASCAL CONTEXT (ảnh nhãn) [tại đây](https://drive.google.com/drive/folders/15g2GNEQtr8ip9Tg-P_cTaK-iRKNZEtjQ?usp=sharing)

Cấu trúc thư mục bao gồm:
  - Thư mục `ctns` chứa các ảnh nhãn
  - Thư mục `images` chứa các ảnh gốc (JPEGImages)
  - Tệp `train.txt` chứa mã của các ảnh huấn luyện, gồm 10581 ảnh
  - Tệp `val.txt` chứa mã của các ảnh kiểm thử, gồm 1449 ảnh

Tiến hành khởi tạo đối tượng Trainer

```
from RCN import rf101
from CEDN import CEDN
from train import Trainer

trainer = Trainer(CEDN()) #Dành cho huấn luyện mô hình CEDN
#trainer = Trainer(rf101()) #Dành cho việc huấn luyện mô hình RCN
```

Thay đổi các cài đặt bằng lệnh `set_config`, bắt buộc phải chạy trong lần đầu huấn luyện

```
trainer.set_config(
    name="custom_model"
    lr=1e-4, 
    batch_size=64,
    start_epoch=30,
    max_epoch = 100,
    save_epoch_freq = 1,
    save_iter_freq = 50,
    num_workers = 5,
    loss_func = None,
    images_path="",
    ctns_path="",
    train_path="",
    val_path="",
    model_save_path="",
    model_save_name=""
)
```

Trong đó:
 - `name`: tên cài đặt (bắt buộc, mặc định là `custom_model`)
 - `lr`: tốc độ học (mặc định 1e-4)
 - `batch_size`: kích thước lô (mặc định 64)
 - `start_epoch`: vị trí lần lặp khởi đầu
 - `max_epoch`: vị trí lần lặp tối đa
 - `save_epoch_freq`: tần suất lưu mô hình sau một số lần duyệt (mặc định 1 lần duyệt)
 - `save_iter_freq`: tần suất lưu mô hình sau một số vòng lặp (mặc định 50 vòng lặp)
 - `num_workers`: số lượng workers được khởi tạo cho việc chạy đa tiến trình (mặc định là 5)
 - `loss_func`: hàm thất thoát (mặc định là BCE có trọng số dành cho CEDN) xem cách định nghĩa hàm thất thoát ở dưới
 - `images_path` là đường dẫn tới thư mục ảnh gốc
 - `ctns_path` là đường dẫn tới thư mục nhãn
 - `train_path` là đường dẫn tới tệp `train.txt`
 - `val_path` là đường dẫn tới tệp `val.txt`
 - `model_save_path` là vị trí lưu mô hình sau một số lượng `save_epoch_freq` lần duyệt
 - `model_save_name` là tên mô hình tiền huấn luyện được truyền vào để tiếp tục huấn luyện, nếu huấn luyện từ đầu thì `model_save_name` bằng rỗng

Một số thông tin khác 
 - `optimizer`: Adam
 - `critertion`: BCE

Định nghĩa hàm thất thoát

```
def loss_func(outputs, target):
  thực hiện tính loss ...
```

Trong đó `outputs` là đầu ra của mạng, `target` là nhãn

Hàm loss dành cho CEDN

```
def cedn_loss(outputs, targets):
  weights = torch.empty_like(targets).to(cedn_trainer.device)
  weights[targets >= .97] = 10
  weights[targets < .97] = 1
  res_loss = F.binary_cross_entropy(outputs, targets, weights)
  return res_loss
```

Hàm loss dành cho RCN

```
def rcn_loss(outputs, targets):
  weights = torch.empty_like(targets).to(rcn_trainer.device)
  weights[targets >= .97] = 10
  weights[targets < .97] = 1
  outputs = F.interpolate(outputs, size=(224,224), mode="bilinear", align_corners=False)
  outputs = outputs.to(rcn_trainer.device)
  targets = targets.to(rcn_trainer.device)
  loss = F.binary_cross_entropy(outputs, targets, weights)
  return loss
```

Để tiến hành huấn luyện bằng tối tượng `trainer`

```
trainer.train()
```

Để hiển thị 1 lô trong dataloader

```
trainer.show_dataloader()
```

Để hiển thị biểu đồ thất thoát

```
trainer.loss_plot()
```

Đối với các loại dữ liệu nâng cao tự tạo có thể thay đổi đối tượng CustomDataset cho phù hợp

Trong trường hợp muốn sử dụng tệp `train.py` cho mô hình khác chỉ cần truyền mô hình vào đối tượng `Trainer`

Khi sử dụng mã nguồn, đề nghị ghi rõ tên nguồn và tác giả

## Chạy thử và đánh giá mô hình

Tiến hành chạy thử bằng cách import hàm `eval` từ tệp `eval.py`

```
from eval import eval
result, img = eval(CEDN(), model_path, image_path)
```

Trong đó 
 - `model_path`: đường dẫn tới file pretrain của mô hình
 - `image_path`: đường dẫn tới ảnh

Kết quả trả về gồm 
 - `result`: kết quả dưới dạng ma trận tensor
 - `img`: ảnh gốc dưới dạng ma trận numpy

ContourDetection

ContourDetection 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

ContourDetection

ContourDetection 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README