PixellabelimagedAtastore.
用于语义分割网络的数据存储
描述
使用PixellabelimagedAtastore.创建一个数据存储，用于使用深度学习训练语义分割网络。
创建
句法
描述
pximds= pixelLabelImageDatastore (gTruth的）groundTruth对象或数组groundTruth对象。使用输出PixellabelimagedAtastore.对象，使用深度学习工具箱™函数trainNetwork(深度学习工具箱)培训卷积神经网络进行语义分割。
pximds= pixelLabelImageDatastore (IMDS.那PXDS.的）IMDS.是一个ImageageAtastore.对象，表示对网络的训练输入。PXDS.是一个PixelLabelDatastore对象，该对象表示所需的网络输出。
pximds= pixelLabelImageDatastore (___那名称,值的）DispatchInBackground和OutputSizeMode属性。对于2-D数据，还可以使用名称-值对指定ColorPreprocessing那DataAugmentation,OutputSize增加属性。可以指定多个名称-值对。将每个属性名用引号括起来。
例如,pixelLabelImageDatastore (gTruth PatchesPerImage, 40)创建像素标签图像数据存储，随机生成40个补丁从每个地面真理对象gTruth．
输入参数
属性
对象功能
结合 |
将数据与多个数据存储组合 |
countEachLabel |
计数像素或盒标签的出现次数 |
哈迪塔 |
确定数据是否可用读取 |
PartitionByIndex. |
分区PixellabelimagedAtastore.根据指数 |
预览 |
预览数据存储中的数据子集 |
读 |
从数据存储中读取数据 |
读物 |
读取数据存储中的所有数据 |
readByIndex |
读取由索引指定的数据PixellabelimagedAtastore. |
重置 |
将数据存储重置为初始状态 |
洗牌 |
返回打乱的数据存储版本 |
变换 |
转换数据存储 |
例子
训练一个语义分割网络
加载训练数据。
dataSetDir = fullfile (toolboxdir ('想象')，“visiondata”那“triangleImages”）;imageDir = fullfile (dataSetDir,'培训码'）;labelDir = fullfile (dataSetDir,“trainingLabels”）;
为映像创建一个映像数据存储。
IMDS = ImageageAtastore（Imagedir）;
创建一个pixelLabelDatastore对于地面真值像素标签。
一会= [“三角形”那“背景”];labelids = [255 0];pxds = pixellabeldataStore（Labeldir，ClassNames，LabelIds）;
可视化训练图像和地面真实像素标签。
我=读(imd);C =阅读(pxds);I = imresize (5);L = imresize (uint8 (C {1}), 5);imshowpair (L,我'剪辑'的）
创建一个语义分割网络。该网络采用了一个简单的基于下采样和上采样设计的语义分割网络。
numfilters = 64;filterSize = 3;numclasses = 2;图层= [imageInputlayer（[32 32 1]）卷积2dlayer（过滤，numfilters，“填充”(1) reluLayer) maxPooling2dLayer (2,'走吧'，2）卷积2dlayer（过滤，numfilters，“填充”(1) reluLayer) transposedConv2dLayer (4 numFilters'走吧'2,“种植”1);numClasses convolution2dLayer(1日);pixelClassificationLayer softmaxLayer () ()];
设置培训选项。
选择= trainingOptions (“个”那．..“InitialLearnRate”1 e - 3,．..“MaxEpochs”，100，．..“MiniBatchSize”，64）;
结合图像和像素标签数据存储进行训练。
pxds trainingData =结合(imd);
训练网络。
网= trainNetwork (trainingData层,选择);
单CPU训练。初始化输入数据规范化。|========================================================================================| | 时代| |迭代时间| Mini-batch | Mini-batch |基地学习 | | | | ( hh: mm: ss) | | |丧失准确性 | |========================================================================================| | 1 | 1 |就是| | 1.3458 | 0.0010 58.11%||17 |50 |00:00:12 | 97.30% | 0.0924 | 0.0010 | | 34 | 100 | 00:00:24 | 98.09% | 0.0575 | 0.0010 | | 50 | 150 | 00:00:37 | 98.56% | 0.0424 | 0.0010 | | 67 | 200 | 00:00:49 | 98.48% | 0.0435 | 0.0010 | | 84 | 250 | 00:01:02 | 98.66% | 0.0363 | 0.0010 | | 100 | 300 | 00:01:14 | 98.90% | 0.0310 | 0.0010 | |========================================================================================| Training finished: Reached final iteration.
读取并显示测试图像。
testImage = imread (“triangleTest.jpg”）;imshow (testImage)
对测试图像进行分割并显示结果。
C = semanticseg (testImage,净);B = labeloverlay (testImage C);imshow (B)
在训练时增加数据
配置像素标签图像数据存储以在训练时增强数据。
加载训练图像和像素标签。
dataSetDir = fullfile (toolboxdir ('想象')，“visiondata”那“triangleImages”）;imageDir = fullfile (dataSetDir,'培训码'）;labelDir = fullfile (dataSetDir,“trainingLabels”）;
创建一个imageDatastore对象来保持训练图像。
IMDS = ImageageAtastore（Imagedir）;
定义类名及其关联的标签id。
一会= [“三角形”那“背景”];labelids = [255 0];
创建一个pixelLabelDatastore对象保存训练图像的ground truth像素标签。
pxds = pixelLabelDatastore(labelDir, classNames, labelid);
创建一个ImagedataAugmenter.对象随机旋转和镜像图像数据。
增量= imageDataAugmenter (“RandRotation”-10年[10],“RandXReflection”,真正的)
RandXReflection: 1 RandYReflection: 0 randyrotation: [-10 10] RandScale: [1 1] RandXScale: [1 1] RandYScale: [1 1] RandXShear: [0 0] RandYShear: [0 0] RandXTranslation: [0 0] RandYTranslation: [0 0] RandXTranslation: [0 0]
创建一个PixellabelimagedAtastore.目的利用增强数据对网络进行训练。
plimds = pixellabelimagedataStore（IMDS，PXD，'dataaugmentation'，增强者）
plimds = pixelLabelImageDatastore with properties: Images: {200x1 cell} PixelLabelData: {200x1 cell} ClassNames: {2x1 cell} DataAugmentation: [1x1 imageDataAugmenter] ColorPreprocessing: 'none' OutputSize: [] OutputSizeMode: 'resize' MiniBatchSize: 1 NumObservations: 200 DispatchInBackground: 0
使用扩展卷积的语义分割
使用扩展卷积训练语义分割网络。
语义分割网络对图像中的每个像素进行分类，从而对图像进行分类。语义分割的应用包括用于自动驾驶的道路分割和用于医疗诊断的癌细胞分割。想要了解更多，请看使用深度学习开始语义分割．
像DeepLab[1]这样的语义分割网络广泛使用扩张卷积(也称为atrous卷积)，因为它们可以增加层的接受域(层可以看到的输入区域)，而不增加参数或计算的数量。
负荷训练数据
该示例使用一个简单的32 × 32三角形图像数据集进行说明。数据集包括相应的像素标签地面真值数据。使用imageDatastore和一个pixelLabelDatastore．
dataFolder = fullfile (toolboxdir ('想象')，“visiondata”那“triangleImages”）;imageFolderTrain = fullfile (dataFolder,'培训码'）;labelFolderTrain = fullfile (dataFolder,“trainingLabels”）;
创建一个imageDatastore对于图像。
imdsTrain = imageDatastore (imageFolderTrain);
创建一个pixelLabelDatastore对于地面真值像素标签。
一会= [“三角形”“背景”];标签= [255 0];pxdsTrain = pixelLabelDatastore (labelFolderTrain、类名、标签)
pxdstrain = pixellabeldataStore with属性：文件：{200x1 cell} classNames：{2x1 Cell} ReadSize：1 ReadFCN：@ReadDataStoreImage externateFileSystemroots：{}
创建语义分割网络
此示例使用基于扩张卷积的简单语义分段网络。
为训练数据创建一个数据源，并获取每个标签的像素计数。
ds =结合(imdsTrain pxdsTrain);台= countEachLabel (pxdsTrain)
TBL =2×3表名字PixelCount ImagePixelCount ______________ __________ _______________ {' 三角形的}10326 2.048 e + 05年{‘背景’}1.9447 e + 05年2.048 e + 05
大多数像素标签用于背景。这种阶级失衡使学习过程偏向于主导阶级。要解决这个问题，可以使用类权重来平衡类。可以使用几种方法来计算类权重。一种常见的方法是逆频率加权，其中类权重是类频率的倒数。这个方法增加了给予未表示的类的权重。使用反频率加权计算类别权重。
numberpixels = sum（tbl.pixelcount）;频率= tbl.pixelcount / numberpixels;Classweights = 1 ./频率;
通过使用具有与输入图像大小相对应的输入大小的图像输入层创建像素分类网络。接下来，指定三个块的卷积、批处理归一化和ReLU层。对于每个卷积层，指定32个3 × 3滤波器，增加膨胀因子，并通过设置填充输入，使其与输出相同大小“填充”选项“相同”．要对像素进行分类，需要包含一个卷积层K.1比1卷积，在哪里K.是类的数量，然后是softmax层和一个PixelclassificationLayer.用相反的类权重。
inputSize = [32 32 1];filterSize = 3;numFilters = 32;numClasses =元素个数(类名);[imageInputLayer(inputSize)]卷积2dlayer (filterSize,numFilters，)“DilationFactor”, 1“填充”那“相同”) batchNormalizationLayer reluLayer卷积2dlayer (filterSize,numFilters，“DilationFactor”2,“填充”那“相同”) batchNormalizationLayer reluLayer卷积2dlayer (filterSize,numFilters，“DilationFactor”4“填充”那“相同”) batchNormalizationLayer reluLayer卷积2dlayer (1,numClasses) softmaxLayer pixelClassificationLayer(“类”一会,“ClassWeights”classWeights)];
火车网络
指定培训选项。
选择= trainingOptions (“个”那．..“MaxEpochs”, 100,．..“MiniBatchSize”,64,．..“InitialLearnRate”，1E-3）;
培训网络使用trainNetwork．
网= trainNetwork (ds、层、期权);
单CPU训练。初始化输入数据规范化。| ======================================================================================== ||时代|迭代|经过时间的时间迷你批量|迷你批量|基础学习| | | | (hh:mm:ss) | Accuracy | Loss | Rate | |========================================================================================| | 1 | 1 | 00:00:02 | 91.62% | 1.6825 | 0.0010 | | 17 | 50 | 00:00:28 | 88.56% | 0.2393 | 0.0010 | | 34 | 100 | 00:00:55 | 92.08% | 0.1672 | 0.0010 | | 50 | 150 | 00:01:22 | 93.17% | 0.1472 | 0.0010 | | 67 | 200 | 00:01:46 | 94.15% | 0.1313 | 0.0010 | | 84 | 250 | 00:02:08 | 94.47% | 0.1167 | 0.0010 | | 100 | 300 | 00:02:34 | 95.04% | 0.1100 | 0.0010 | |========================================================================================| Training finished: Max epochs completed.
测试网络
加载测试数据。创建一个imageDatastore对于图像。创建一个pixelLabelDatastore对于地面真值像素标签。
imageFolderTest = fullfile (dataFolder,“testImages”）;imdstest = imageageataStore（imagefoldertest）;labelfoldertest = fullfile（datafolder，'testlabels'）;pxdsTest = pixelLabelDatastore (labelFolderTest、类名、标签);
利用测试数据和训练网络进行预测。
pxdsPred = semanticseg (imdsTest净,“MiniBatchSize”32岁的'writepocation', tempdir);
运行的语义分割网络 ------------------------------------- * 100张图片处理。
使用预测精度评估预测准确性评估评估．
指标= evaluateSemanticSegmentation (pxdsPred pxdsTest);
---------------------------------------- *选择指标:全局准确率，类准确率，IoU，加权IoU, BF评分。*处理100张图片。*完成……完成了。*数据集指标:GlobalAccuracy MeanAccuracy MeanIoU WeightedIoU MeanBFScore ______________ ____________ _______ ___________ ___________ 0.95237 0.97352 0.72081 0.92889 0.46416
有关评估语义分割网络的更多信息，请参见评估评估．
段新形象
读取并显示测试图像triangleTest.jpg．
imgTest = imread (“triangleTest.jpg”）;图imshow (imgTest)
使用分割测试图像SemanticSeg.并使用使用Labeloverlay.．
C = semanticseg (imgTest,净);B = labeloverlay (imgTest C);图imshow (B)
提示
这
pixelLabelDatastorePXDS.和imageDatastoreIMDS.按字典顺序存储位于文件夹中的文件。例如，如果您有12个文件名为“file1.jpg”那“file2.jpg”、……“file11.jpg”,“file12.jpg”，则文件按以下顺序存储:存储在单元格数组中的文件被读取的顺序与存储的顺序相同。“file1.jpg”“file10.jpg”“file11.jpg”“file12.jpg”“file2.jpg”“file3.jpg”．..“file9.jpg”如果文件的顺序
PXDS.和IMDS.是不一样的，那么当您使用aPixellabelimagedAtastore.．如果出现这种情况，那么重命名像素标签文件，使它们具有正确的顺序。例如,重命名“file1.jpg”、……“file9.jpg”来“file01.jpg”、……'file09.jpg'．从a中提取语义分段数据
groundTruth对象生成的视频贴图， 使用PixellabeltrainingData.功能。
你也可以从以下列表中选择一个网站:
