【CV】基于UNet网络实现的人像分割 |
您所在的位置：网站首页 › 拍人像分割点 › 【CV】基于UNet网络实现的人像分割 |
【CV】基于UNet网络实现的人像分割
|
文章来源于AI算法与图像处理，作者AI_study 今天要分享的是人像分割相关的内容，如果你喜欢的话，欢迎三连哦 主要内容 人像分割简介 UNet的简介 UNet实现人像分割 人像分割简介 人像分割的相关应用非常广，例如基于人像分割可以实现背景的替换做出各种非常酷炫的效果。我们将训练数据扩充到人体分割，那么我们就是对人体做美颜特效处理，同时对背景做其他的特效处理，这样整张画面就会变得更加有趣，更加提高颜值了，这里我们对人体前景做美颜调色处理，对背景做了以下特效： ①景深模糊效果，用来模拟双摄聚焦效果； ②马赛克效果 ③缩放模糊效果 ④运动模糊效果 ⑤油画效果 ⑥线条漫画效果 ⑦Glow梦幻效果 ⑧铅笔画场景效果 ⑨扩散效果 例子： 例子来源：https://blog.csdn.net/Trent1985/article/details/80578841 https://zhuanlan.zhihu.com/p/48080465 （实现背景灰化） 而在在实现这些效果之前，所需要的一步操作都是需要将人像抠出来。今天的主要内容是要介绍如何使用UNet实现人像分割。 UNet的简介 UNet的结构非常简单，广泛应用于医学图像分割，2015年发表在 MICCAI，谷歌学术上目前引用量8894，可以看出来其影响力。 UNet的结构，有两个最大的特点，U型结构和skip-connection（如下图）。 UNet网络，类型于一个U字母：首先进行Conv（两次）+Pooling下采样；然后Deconv反卷积进行上采样（部分采用resize+线性插值上采样），crop之前的低层feature map，进行融合；然后再次上采样。重复这个过程，直到获得输出388x388x2的feature map，最后经过softmax获得output segment map。总体来说与FCN思路非常类似。 U-Net采用了与FCN完全不同的特征融合方式：拼接！ 参考资料：https://zhuanlan.zhihu.com/p/57437131 https://www.zhihu.com/question/269914775/answer/586501606 https://www.zhihu.com/people/george-zhang-84/posts UNet实现人像分割 该项目是基于 https://github.com/milesial/Pytorch-UNet （2.6k star 车辆分割）修改的，并提供人像分割的数据集（1.15G）。 人像分割项目链接：https://github.com/leijue222/portrait-matting-unet-flask 官方下载链接：http://www.cse.cuhk.edu.hk/leojia/projects/automatting/index.html 或者： 百度网盘：http://pan.baidu.com/s/1dE14537 密码：ndg8 该项目已经提供了预训练模型，如果你不想重新训练，可以自己clone下来，按照下面的操作一步一步运行即可。 环境配置 Python 3.6 PyTorch >= 1.1.0 Torchvision >= 0.3.0 Flask 1.1.1 future 0.18.2 matplotlib 3.1.3 numpy 1.16.0 Pillow 6.2.0 protobuf 3.11.3 tensorboard 1.14.0 tqdm==4.42.1 # clone 项目 git clone https://github.com/leijue222/portrait-matting-unet-flask.git # 进入到文件夹中 cd portrait-matting-unet-flask/ # 准备好一张待分割的人像图片，运行下面的代码即可生成mask并保存 python predict.py -i image.jpg -o output.jpg作者提供的测试demo 如果你想重新训练的话，也很容易，根据上面提供的数据集，将原图和mask分别 放置在 文件夹 data/imgs和 data/masks 路径下即可 然后运行下面的代码 python train.py -e 200 -b 1 -l 0.1 -s 0.5 -v 15.0各个参数的含义 -e 表示 epoch 数 -b 表示 batch size -l 表示学习率 -s 表示 scale -v 表示 验证集所占的百分比 最后我们在看一下 UNet 网络的核心代码 定义UNet 需要用的主要模块 class DoubleConv(nn.Module): """(convolution => [BN] => ReLU) * 2""" def __init__(self, in_channels, out_channels): super().__init__() self.double_conv = nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True), nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) def forward(self, x): return self.double_conv(x) class Down(nn.Module): """Downscaling with maxpool then double conv""" def __init__(self, in_channels, out_channels): super().__init__() self.maxpool_conv = nn.Sequential( nn.MaxPool2d(2), DoubleConv(in_channels, out_channels) ) def forward(self, x): return self.maxpool_conv(x) class Up(nn.Module): """Upscaling then double conv""" def __init__(self, in_channels, out_channels, bilinear=True): super().__init__() # if bilinear, use the normal convolutions to reduce the number of channels if bilinear: self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True) else: self.up = nn.ConvTranspose2d(in_channels // 2, in_channels // 2, kernel_size=2, stride=2) self.conv = DoubleConv(in_channels, out_channels) def forward(self, x1, x2): x1 = self.up(x1) # input is CHW diffY = torch.tensor([x2.size()[2] - x1.size()[2]]) diffX = torch.tensor([x2.size()[3] - x1.size()[3]]) x1 = F.pad(x1, [diffX // 2, diffX - diffX // 2, diffY // 2, diffY - diffY // 2]) x = torch.cat([x2, x1], dim=1) return self.conv(x) class OutConv(nn.Module): def __init__(self, in_channels, out_channels): super(OutConv, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=1) def forward(self, x): return self.conv(x)利用上面定义好的模块，轻松的实现UNet网络 class UNet(nn.Module): def __init__(self, n_channels, n_classes, bilinear=True): super(UNet, self).__init__() self.n_channels = n_channels self.n_classes = n_classes self.bilinear = bilinear self.inc = DoubleConv(n_channels, 64) self.down1 = Down(64, 128) self.down2 = Down(128, 256) self.down3 = Down(256, 512) self.down4 = Down(512, 512) self.up1 = Up(1024, 256, bilinear) self.up2 = Up(512, 128, bilinear) self.up3 = Up(256, 64, bilinear) self.up4 = Up(128, 64, bilinear) self.outc = OutConv(64, n_classes) def forward(self, x): x1 = self.inc(x) x2 = self.down1(x1) x3 = self.down2(x2) x4 = self.down3(x3) x5 = self.down4(x4) x = self.up1(x5, x4) x = self.up2(x, x3) x = self.up3(x, x2) x = self.up4(x, x1) logits = self.outc(x) return logits资料汇总 人像分割项目链接：https://github.com/leijue222/portrait-matting-unet-flask 数据集下载 百度网盘：http://pan.baidu.com/s/1dE14537 密码：ndg8 官方下载链接：http://www.cse.cuhk.edu.hk/leojia/projects/automatting/index.html UNet相关知识点参考资料： https://zhuanlan.zhihu.com/p/57437131 https://www.zhihu.com/question/269914775/answer/586501606 https://www.zhihu.com/people/george-zhang-84/posts 感谢你能看到这里，希望你能给我来一个一键三连（分享、在看+点赞），文章都是在我996工作后挤出来时间分享给大家，你的支持是我坚持的最大动力！ 往期精彩回顾 适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑 AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群请扫码进群： |
【本文地址】