Preferred Networks 通过其研究博客发布了深度学习计算机视觉实用库 ChainerCV，它基于
Chainer，能够简化计算机视觉的训练和应用过程，并含有用于计算机视觉研究的必备工具集。 ChainerCV
提供了目标检测和语义分割模型（Faster R-CNN、SSD 和 SegNet）的实现。 ChainerCV
具有大量的已训练权重，可在运行时自动从网络上下载，因此用户无需担心下载或者记住已训练权重的文件位置。同样，ChainerCV
提供了简单统一的界面，从而为解决相同任务的不同模型执行推理。例如，Faster R-CNN 和 SSD
都具备一个被称作「预测」的方法，它可以接收图像并返回物体检测的结果。

参考机器之心：资源 | ChainerCV：基于Chainer的深度学习计算机视觉实用库（内含工具集）

GitHub 地址：https://github.com/chainer/chainercv
文档：http://chainercv.readthedocs.io/en/stable/

ChainerCV 包含了一组指导计算机视觉研究的工具：

为一般视觉数据集（如 PASCAL VOC 任务的目标识别数据集）而构建的数据集加载器
能用于数据预处理/数据增强的转换
可视化
一般度量方法的评估代码

一、基本介绍

1、安装

pip install chainercv

2、一个DEMO——SSD物体检测的案例

20分类，voc07数据集训练，VGG16为基本

from chainercv.links import FasterRCNNVGG16, SSD300
# You can use Faster R-CNN instead of SSD.
# model = FasterRCNNVGG16(pretrained_model='voc07')
model = SSD300(pretrained_model='voc0712')# `bboxes` is a list of numpy arrays containing coordinates of boundnig boxes
# around objects. `labels` and `scores` are class ids and confidence scores for
# the boxes.
bboxes, labels, scores = model.predict(imgs)  # imgs is a list of image

3、转化数据到指定训练格式

from chainer.datasets import get_mnist
from chainer.datasets import TransformDataset
from chainercv.transforms import random_rotatedataset, _ = get_mnist(ndim=3)def transform(in_data):# in_data is values returned by __getitem__ method of MNIST dataset.img, label = in_dataimg -= 0.5  # rescale to [-0.5, 0.5]img = random_rotate(img)return img, label
dataset = TransformDataset(dataset, transform)
img, label = dataset[0]

4、库中拥有的数据集

TransformDataset
CamVid
CUB
OnlineProducts
PASCAL VOC
.

5、如何使用GPU

下载cupy库，pip install cupy，当然预先需要配置好CUDNN

chainer.cuda.get_device_from_id(设备标号).use()
model.to_gpu()  # Copy the model to the GPU

二、用chainer实现图像分割SegNet

码云链接：https://gitee.com/mattzheng/chainercv_SegNet/tree/master
github链接：https://github.com/mattzheng/chainer_SegNet
相关code都放在上面了.

1、图像分割SegNet

采用的数据集为：camvid

数据集类别camvid_label_names：’Sky’, ‘Building’, ‘Pole’, ‘Road’, ‘Pavement’, ‘Tree’, ‘SignSymbol’, ‘Fence’, ‘Car’, ‘Pedestrian’, ‘Bicyclist’
不同类别的颜色camvid_label_colors：(128, 128, 128), (128, 0, 0), (192, 192, 128), (128, 64, 128), (60, 40, 222), (128, 128, 0), (192, 128, 128), (64, 64, 128), (64, 0, 128), (64, 64, 0), (0, 128, 192)

其中需要注意的是：

(1)’pip install chainercv’好像没有load进去vis_semantic_segmentation模块，所以我的做法是从github中加到：/usr/local/lib/python3.5/dist-packages/chainercv/visualizations目录下（github该模块链接：https://github.com/chainer/chainercv/tree/master/chainercv/visualizations）
(2)读图的时候，注意最好使用chainercv自带的读入函数utils.read_image

code展示：

import argparse
import matplotlib.pyplot as plot
import chainer
from chainercv.datasets import camvid_label_colors
from chainercv.datasets import camvid_label_names
from chainercv.links import SegNetBasic
from chainercv import utils
from chainercv.visualizations import vis_image
from chainercv.visualizations.vis_semantic_segmentation import vis_semantic_segmentation# pre-model + read picture
img = utils.read_image('../../iamge.jpg', color=True)
model = SegNetBasic(n_class = 11,pretrained_model  = 'camvid')
labels = model.predict([img])# plot
label = labels[0]  # (332, 500)
fig = plot.figure()
ax1 = fig.add_subplot(1, 2, 1)
vis_image(img, ax=ax1)
ax2 = fig.add_subplot(1, 2, 2)
vis_semantic_segmentation(label, camvid_label_names, camvid_label_colors, ax=ax2)
plot.show()

SegNetBasic函数解析（来源文档）：
camvid数据是类别较少的分类。
SegNetBasic(n_class=None, pretrained_model=None, initialW=None)函数，有三个参数，n_class是预训练模型的参数，pretrained_model是预训练模型位置
predict(imgs),imgs输入array的list

2、自己训练segnet模型

其他的，如果你要自己训练segnet模型，请参考该页面

First, move to this directory (i.e., examples/segnet) and run:

python train.py [--gpu <gpu>]

一个使用的demo：

wget https://raw.githubusercontent.com/alexgkendall/SegNet-Tutorial/master/CamVid/test/0001TP_008550.png
python demo.py [--gpu <gpu>] [--pretrained_model <model_path>] 0001TP_008550.png

模型评估的函数：

python eval_camvid.py [--gpu <gpu>] [--pretrained_model <model_path>] [--batchsize <batchsize>]

这里有一个已经训练好的模型，可以做个案例，预训练模型的下载链接为：https://www.dropbox.com/s/exas66necaqbxyw/model_iteration-16000
评估的结果展示：

官方自带的一个预训练模型后的模型使用demo：

import argparse
import matplotlib.pyplot as plotimport chainerfrom chainercv.datasets import camvid_label_colors
from chainercv.datasets import camvid_label_names
from chainercv.links import SegNetBasic
from chainercv import utils
from chainercv.visualizations import vis_image
from chainercv.visualizations import vis_semantic_segmentationdef main():chainer.config.train = Falseparser = argparse.ArgumentParser()parser.add_argument('--gpu', type=int, default=-1)parser.add_argument('--pretrained_model', default='camvid')parser.add_argument('image')args = parser.parse_args()model = SegNetBasic(n_class=len(camvid_label_names),pretrained_model=args.pretrained_model)if args.gpu >= 0:chainer.cuda.get_device_from_id(args.gpu).use()model.to_gpu()img = utils.read_image(args.image, color=True)labels = model.predict([img])label = labels[0]fig = plot.figure()ax1 = fig.add_subplot(1, 2, 1)vis_image(img, ax=ax1)ax2 = fig.add_subplot(1, 2, 2)vis_semantic_segmentation(label, camvid_label_names, camvid_label_colors, ax=ax2)plot.show()if __name__ == '__main__':main()

ChainerCV︱堪比Opencv--深度学习工具库（Faster R-CNN、SSD 和 SegNet）相关推荐

基于PyTorch、易上手，细粒度图像识别深度学习工具库Hawkeye开源
转载自丨机器之心鉴于当前领域内尚缺乏该方面的深度学习开源工具库,南京理工大学魏秀参教授团队用时近一年时间,开发.打磨.完成了 Hawkeye--细粒度图像识别深度学习开源工具库,供相关领域研究人员和 ...
（翻译）60分钟入门深度学习工具-PyTorch
60分钟入门深度学习工具-PyTorch 作者:Soumith Chintala 原文翻译自: https://pytorch.org/tutorials/beginner/deep_learning ...
OpenCV深度学习人脸识别示例——看大佬如何秀恩爱
(欢迎关注"我爱计算机视觉"公众号,一个有价值有深度的公众号~) 提到OpenCV人脸识别,你是否还停留在Haar级联人脸检测+LBP特征人脸识别上?对于小规模数据库如何用Open ...
深度学习开源库tiny-dnn的使用(MNIST)
tiny-dnn是一个基于DNN的深度学习开源库,它的License是BSD 3-Clause.之前名字是tiny-cnn是基于CNN的,tiny-dnn与tiny-cnn相关又增加了些新层.此开源库 ...
超详细！使用OpenCV深度学习模块在图像分类下的应用实践
专注计算机视觉前沿资讯和技术干货微信公众号:极市平台官网:https://www.cvmart.net/ 极市导读:本文来自6月份出版的新书<OpenCV深度学习应用与性能优化实践>, ...
深度学习工具caffe详细安装指南
转载自深度学习工具caffe详细安装指南前言: 在一台系统环境较好的linux机器上可以很容易的安装caffe,但是如果系统本身很旧,又没有GPU的话,安装就太麻烦了,所有都得从头做起,本文档旨在 ...
opencv opencl加速_回放 | OpenCV Webinar 3：OpenCV深度学习应用与原理分析
OpenCV DNN模块提供了深度学习的推理,支持Caffe.Tensoflow.Torch.Darknet.ONNX等格式的模型,无需用户安装对应的深度学习框架,也无需进行模型格式转换,直接调用DN ...
基于矢量成果从影像提取中深度学习样本库
大数据之:影像提取中深度学习样本库获取的思考话说,虾神一直是做空间统计和数据分析的,对于深度学习这个热门学科,一直以来也就停留在"了解"阶段,虽然这个平展开来,里面比较核心的技术 ...
实录分享 | 计算未来轻沙龙：深度学习工具专场（PPT下载）
12 月 2 日(周日)下午,PaperWeekly 携手清华大学计算机系推出了计算未来轻沙龙第六期线下活动--深度学习工具专场.来自亚马逊 AWS.谷歌.英伟达.百度 PaddlePaddle 以及 ...

ChainerCV︱堪比Opencv--深度学习工具库（Faster R-CNN、SSD 和 SegNet）

1、安装

2、一个DEMO——SSD物体检测的案例

3、转化数据到指定训练格式

4、库中拥有的数据集

5、如何使用GPU

二、用chainer实现图像分割SegNet

1、图像分割SegNet

相关参考

采用的数据集为：camvid

其中需要注意的是：

2、自己训练segnet模型

ChainerCV︱堪比Opencv--深度学习工具库（Faster R-CNN、SSD 和 SegNet）相关推荐

最新文章

热门文章

ChainerCV︱堪比Opencv--深度学习工具库（Faster R-CNN、SSD 和 SegNet）

1、安装

2、一个DEMO——SSD物体检测的案例

3、转化数据到指定训练格式

4、库中拥有的数据集

5、如何使用GPU

二、用chainer实现图像分割SegNet

1、 图像分割SegNet

相关参考

采用的数据集为：camvid

其中需要注意的是：

2、自己训练segnet模型

ChainerCV︱堪比Opencv--深度学习工具库（Faster R-CNN、SSD 和 SegNet）相关推荐

最新文章

热门文章

1、图像分割SegNet