第十六届全国大学生智能车竞赛线上赛增分：PaTTA的使用

效果展示

使用PaTTA默认配置大约能涨1.几分，PaTTA能解决训练时候在验证集上miou非常高，但在提交后跌许多的问题。

这是在同一个模型情况下，仅仅使用了默认配置的PaTTA后的效果：

       

项目主体

解压数据集

• 考虑到数据集大小和项目启动速度，所以将数据集解压至 data 文件夹
• 每次进入项目都需要进行一次解压

# 解压数据集# q [quiet]：无输出# d [directory]：指定解压目录!unzip -d data data/data68698/智能车数据集.zip

数据集预处理

• 生成格式为 “img_path anno_path” 的数据列表，供后续模型训练使用
• 切分训练数据为：训练集和验证集，前者用于训练模型，后者用于验证模型效果

# 生成数据列表datas_list = [    'data/image_4000/%d.png data/mask_4000/%d.png\n' % (x, x) 
    for x in range(4000)
]# 分割训练集，前 3900 张图像作为训练数据with open('train.txt', 'w') as f:    for line in datas_list[:-100]:
        f.write(line)# 分割验证集，后 100 张图像作为验证数据with open('dev.txt', 'w') as f:    for line in datas_list[-100:]:
        f.write(line)

安装 PaddleSeg

• 可通过 pip 或者源码进行安装
• 作为演示并为了节省拉取代码的时间，这里使用 pip 进行安装
• 完成安装之后，建议点击 Notebook 上方的重启按钮重启环境后再使用

# 安装 PaddleSeg!pip install paddleseg

!unzip PaddleSeg-release-v2.0.zip!mv PaddleSeg-release-v2.0 paddleseg

编写配置文件

• PaddleSeg 使用配置文件进行各种模型数据等各个方面的配置操作
• 具体的配置方式请参考：官方配置文档
• 更多的配置文件模板请参考：官方配置文件
• 基线代码演示所需的配置文件放置于 Road_Line.yml
• 示例的配置文件内容如下：

# 设置数据批大小batch_size: 2# 设置训练步数iters: 1000# 训练集配置train_dataset:
  type: Dataset
  num_classes: 15
  # 数据目录
  dataset_root: ./
  # 训练集列表
  train_path: ./train.txt
  # 数据预处理
  transforms:
    - type: Resize
      target_size: [512, 512]    - type: Normalize
  mode: train# 验证集配置val_dataset:
  type: Dataset
  num_classes: 15
  # 数据目录
  dataset_root: ./
  # 验证集列表
  val_path: ./dev.txt
  # 数据预处理
  transforms:
    - type: Resize
      target_size: [512, 512]    - type: Normalize
  mode: val# 优化器配置optimizer:
  type: sgd
  momentum: 0.9
  weight_decay: 4.0e-5# 学习率配置learning_rate:
  value: 0.01
  decay:
    type: poly
    power: 0.9
    end_lr: 0# 损失函数配置loss:
  types:
    - type: CrossEntropyLoss
  coef: [1.0, 0.4]# 模型配置model:
  type: FastSCNN
  num_classes: 15
  enable_auxiliary_loss: True
  pretrained: null

模型训练

• 使用 train.py 进行模型训练

# 模型训练# config：配置文件# save_dir：模型保存路径# do_eval：训练同时进行模型验证# 更多选项参数请参考源代码!python paddleseg/train.py \
    --config Road_Line.yml \
    --save_dir saved_models \
    --do_eval

模型验证

• 使用 val.py 脚本进行模型验证

# 模型验证# config：配置文件# model_path：模型文件# 更多选项参数请参考源代码!python paddleseg/val.py \
    --config Road_Line.yml \
    --model_path saved_models/best_model/model.pdparams

模型导出

• 使用 export.py 脚本进行模型预测

!python paddleseg/export.py \
       --config Road_Line.yml \
       --model_path saved_models/best_model/model.pdparams

使用TTA

在经过模型导出后，得到下列文件，下列文件将用于PaTTA的使用。

B12

B12是一个由AI驱动的一体化网站建设平台

下载

output
  ├── deploy.yaml            # 部署相关的配置文件
  ├── model.pdiparams        # 静态图模型参数
  ├── model.pdiparams.info   # 参数额外信息，一般无需关注
  └── model.pdmodel          # 静态图模型文件

下载PaTTA

!git clone https://github.com/AgentMaker/PaTTA.git

!unzip PaTTA.zip

生成测试集

import glob
path = glob.glob('data/infer/*')
f = open('test.txt', 'w')for i in path:
    f.write(i+'\n')
f.close()

安装PaTTA

!pip install PaTTA/

一键使用

注意：请将seg.py里面的crop_size参数改成和训练一致！！！

!python PaTTA/tools/seg.py --model_path='output/model' \
                 --batch_size=16 \
                 --test_dataset='test.txt'

结果提交

# 打包结果文件!zip -r result.zip result