当前位置： 首页 > news >正文

中国公路建设招标网站,线上销售渠道有哪几种,如何做简单的网站,美橙网站建设南的相信大家对于这一部分才是最感兴趣的#xff0c;能够实实在在的看到效果。这里我们就只需要两个.py文件#xff08;deeplab.py、predict_img.py#xff09;。 创建DeeplabV3类 deeplab.py的作用是为了创建一个DeeplabV3类#xff0c;提供一个检测图片的方法#xff0c;而…相信大家对于这一部分才是最感兴趣的能够实实在在的看到效果。这里我们就只需要两个.py文件deeplab.py、predict_img.py。 创建DeeplabV3类 deeplab.py的作用是为了创建一个DeeplabV3类提供一个检测图片的方法而predict_img.py则是为了单独检测图片的效果。 在这里我需要一个defaults字典用来包含我在这个类要使用的变量而需要把数据类型转换成字典数据再做存储这时候就需要用到类的内置属性dict。 这里简单说一下字典defaults的key和value。 1、model_pathmodel_date/deeplab_mobilenetv2.pth 此文件是基于VOC拓展数据集训练的权重放心使用附上下载地址的权值文件。 2、num_classes2 对于需要区分的类数1比如我这里是识别裂缝所以我的num_classes为11再比如经典的猫狗分类问题那么它们的num_classes为213。 3、backbonemobilenet 这里是使用的主干网络有mobilenet和xception可供选择。 4、input_shape[512,512] 输入图片的大小 5、downsample_factor16 下采样的倍数可选的有8和16但8训练要求更大的内存这里要与训练时相同。 6、mix_type0 0代表原图与生成的图进行混合1代表仅保留生成的图2代表扣去背景仅保留原图中的目标。 7、cudeFalse 有cuda就是Ture没有就用cpu。 在这里请看detect_image函数里面首先要用cvtColor函数对图片进行一个转化因为RGB图像才有权重。 在对图像的大小修改时需要增添一个灰度框想想这样的请况如果图像比输入大小小就会使图像被强行放大可能会伸长也可能会扩展。那么为了避免这种请况所以要添加这个灰度边界后期因为要与原图大小匹配会将这部分去掉。 然后对图像的每个像素点进行分类。

deeplab.pyimport colorsys

import copyimport cv2 import numpy as np import torch import torch.nn.functional as F from PIL import Image from torch import nnfrom Deeplabv3_plus.deeplabv3plus import DeepLab from utily.utils import cvtColor, preprocess_input, resize_image, show_configclass DeeplabV3(object):defaults {model_path: model_data/deeplab_mobilenetv2.pth,num_classes: 2,backbone: mobilenet,input_shape: [512, 512], downsample_factor: 16, mix_type: 0,cuda: False}def init(self, kwargs):self.dict.update(self.defaults)for name, value in kwargs.items():setattr(self, name, value)if self.num_classes 21:self.colors [ (0, 0, 0), (128, 0, 0), (0, 128, 0), (128, 128, 0), (0, 0, 128), (128, 0, 128), (0, 128, 128), (128, 128, 128), (64, 0, 0), (192, 0, 0), (64, 128, 0), (192, 128, 0), (64, 0, 128), (192, 0, 128), (64, 128, 128), (192, 128, 128), (0, 64, 0), (128, 64, 0), (0, 192, 0), (128, 192, 0), (0, 64, 128), (128, 64, 12)]# 画框设置不同的颜色else:hsv_tuples [(x / self.num_classes, 1., 1.) for x in range(self.num_classes)]self.colors list(map(lambda x: colorsys.hsv_to_rgb(*x), hsv_tuples))self.colors list(map(lambda x: (int(x[0] * 255), int(x[1] * 255), int(x[2] * 255)), self.colors))# 获得模型self.generate()show_config(self.defaults)# 获得所有的分类def generate(self, onnxFalse):# 载入模型与权值self.net DeepLab(num_classesself.num_classes, backboneself.backbone, downsample_factorself.downsample_factor, pretrainedFalse)device torch.device(cuda if torch.cuda.is_available() else cpu)self.net.load_state_dict(torch.load(self.model_path, map_locationdevice))self.net self.net.eval()print({} model, and classes loaded..format(self.model_path))if not onnx:if self.cuda:self.net nn.DataParallel(self.net)self.net self.net.cuda()def detect_image(self, image, countFalse, name_classesNone):* 在这里将图像转换成RGB图像防止灰度图在预测时报错。* 代码仅仅支持RGB图像的预测所以其它类型的图像都会转化成RGB:param image: 图片:param count: 计数:param name_classes::return:image cvtColor(image)# 对输入图像进行一个备份后面用于绘图old_img copy.deepcopy(image)orininal_h np.array(image).shape[0]orininal_w np.array(image).shape[1]# 给图像增加灰条实现不失真的resize# 也可以直接resize进行识别image_data, nw, nh resize_image(image, (self.input_shape[1],self.input_shape[0]))# 添加上batch_size维度image_data np.expand_dims(np.transpose(preprocess_input(np.array(image_data, np.float32)), (2, 0, 1)), 0)with torch.no_grad():images torch.from_numpy(image_data)if self.cuda:images images.cuda()# 图片传入网络进行预测pr self.net(images)[0]# 取出每一个像素点的种类pr F.softmax(pr.permute(1,2,0),dim -1).cpu().numpy()# 将灰条部分截取掉pr pr[int((self.input_shape[0] - nh) // 2) : int((self.input_shape[0] - nh) // 2 nh), \int((self.input_shape[1] - nw) // 2) : int((self.input_shape[1] - nw) // 2 nw)]# 进行图片的resizepr cv2.resize(pr, (orininal_w, orininal_h), interpolation cv2.INTER_LINEAR)# 取出每一个像素点的种类pr pr.argmax(axis-1)if count:classes_nums np.zeros([self.num_classes])total_points_num orininal_h * orininal_wprint(- * 63)print(|%25s | %15s | %15s|%(Key, Value, Ratio))print(- * 63)for i in range(self.num_classes):num np.sum(pr i)ratio num / total_points_num * 100if num 0:print(|%25s | %15s | %14.2f%%|%(str(name_classes[i]), str(num), ratio))print(- * 63)classes_nums[i] numprint(classes_nums:, classes_nums)if self.mix_type 0:# seg_img np.zeros((np.shape(pr)[0], np.shape(pr)[1], 3))# for c in range(self.num_classes):# seg_img:, :, 0.astype(uint8)# seg_img:, :, 1.astype(uint8)# seg_img:, :, 2.astype(uint8)seg_img np.reshape(np.array(self.colors, np.uint8)[np.reshape(pr, [-1])], [orininal_h, orininal_w, -1])# 将新图片转换成Image的形式image Image.fromarray(np.uint8(seg_img))# 将新图与原图及进行混合image Image.blend(old_img, image, 0.7)elif self.mix_type 1:# seg_img np.zeros((np.shape(pr)[0], np.shape(pr)[1], 3))# for c in range(self.num_classes):# seg_img:, :, 0.astype(uint8)# seg_img:, :, 1.astype(uint8)# seg_img:, :, 2.astype(uint8)seg_img np.reshape(np.array(self.colors, np.uint8)[np.reshape(pr, [-1])], [orininal_h, orininal_w, -1])# 将新图片转换成Image的形式image Image.fromarray(np.uint8(seg_img))elif self.mix_type 2:seg_img (np.expand_dims(pr ! 0, -1) * np.array(old_img, np.float32)).astype(uint8)# 将新图片转换成Image的形式image Image.fromarray(np.uint8(seg_img))return image 单张图片的预测 由于我想要将图片放在PyQt5设计的ui中所以要单张单张的显示。 from PIL import Image from deeplab import DeeplabV3if name main:deeplab DeeplabV3()mode predict count False #指定了是否进行目标的像素点计数即面积与比例计算# name_classes [background,aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor]name_classes [background,crack]if mode predict:while True:img input(Input image filename:)try:image Image.open(img)except:print(Open Error! Try again!)continueelse:r_image deeplab.detect_image(image, countcount, name_classesname_classes)r_image.show() 我们来看看效果 原图 效果图