【PaddleSeg实践范例】使用PP-LiteSeg进行遥感道路分割

本教程介绍使用PP-LiteSeg模型对遥感图像道路进行分割的全流程。先配置含PaddlePaddle（不低于2.0.2）和PaddleSeg的环境，再用DeepGlobe数据集（分训练、验证、测试集），通过指定配置文件训练PP-LiteSeg和OCRNet模型，两者精度相近但前者速度快7倍。还涵盖模型预测、结果可视化及部署相关内容。

1 简介

本教程使用PP-LiteSeg模型对遥感图像中的道路进行分割。

PP-LiteSeg模型是PaddleSeg团队自研的轻量级语义分割模型，结构如下。

PP-LiteSeg模型的具体介绍请参考链接，欢迎Star收藏，关注最新消息。

下面教程，将带大家完整的跑通模型训练、预测、可视化全流程。

2 环境准备

请按照以下步骤配置相应的环境。

准备PaddlePaddle

PaddlePaddle版本要求不低于 2.0.2， 本教程在PaddlePaddle 2.2.2下验证通过。

由于图像分割模型计算开销大，推荐安装GPU版本的PaddlePaddle。

如果在AI Studio上运行此项目，请选择使用GPU版本的环境，默认已经安装了PaddlePaddle。

如果在本地运行此项目，需要自行安装PaddlePaddle，详细安装教程请参考PaddlePaddle正式。

准备PaddleSeg

由于本教程使用的演示代码不是PaddleSeg核心功能，所以相关代码没有合入到PaddleSeg。

我们在~/work/目录下存放了PaddleSeg代码和本教程使用到的代码，可以直接解压使用。

%cd ~/work!rm -rf PaddleSeg!tar xf PaddleSeg.tar

安装PaddleSeg依赖

执行如下命令，在环境中安装PaddleSeg需要的依赖库。

%cd ~/work/PaddleSeg!pip install -r requirements.txt

3 数据准备

我们使用DeepGlobe开源数据集作为本教程的演示数据集。

DeepGlobe数据集已经整理成如下格式。

deepglobe├── readme.md├── test.txt├── train├── train.txt├── valid└── val.txt

我们将标注的遥感图片划分为训练集、验证集和测试集。

train.txt、val.txt、test.txt分别表示训练集、验证集和测试的划分，保存的内容如下。

train/81456_sat.webp train/81456_mask.webptrain/814574_sat.webp train/814574_mask.webptrain/814591_sat.webp train/814591_mask.webptrain/814649_sat.webp train/814649_mask.webp

整理好的Deepglobe数据集已经在~/data目录下，我们进行解压，然后链接到PaddleSeg/data目录下，用于后续训练测试使用。

# 解压数据%cd ~/data/data141168!tar xf deepglobe.tar# 链接数据!mkdir -p ~/work/PaddleSeg/data!ln -s ~/data/data141168/deepglobe ~/work/PaddleSeg/data!ls ~/work/PaddleSeg/data

4 模型训练

配置文件

遥感道路分割的所有配置文件都在PaddleSeg/configs/road_seg/目录下。

PaddleSeg/configs/road_seg├── deepglobe.yml├── ocrnet_hrnetw18_deepglobe_1024x1024_80k.yml├── pp_liteseg_stdc1_deepglobe_1024x1024_80k.yml└── pp_liteseg_stdc2_deepglobe_1024x1024_80k.yml

其中，deepglobe.yml文件定义了基础信息，比如训练集、测试集、优化器、学习率等。

其他文件定义了模型相关的信息，比如pp_liteseg_stdc1_deepglobe_1024x1024_80k.yml的内容如下。

_base_: './deepglobe.yml'model:  type: PPLiteSeg  backbone:    type: STDC1    pretrained: https://bj.bcebos.com/paddleseg/dygraph/PP_STDCNet1.tar.gz  arm_out_chs: [32, 64, 128]  seg_head_inter_chs: [32, 64, 64]loss:  types:    - type: OhemCrossEntropyLoss      min_kept: 260000    - type: OhemCrossEntropyLoss      min_kept: 260000    - type: OhemCrossEntropyLoss      min_kept: 260000  coef: [1, 1, 1]

训练

进入~/work/PaddleSeg目录，后续所有命令都在该目录下执行，结果也保存在该目录下。

在PaddleSeg目录下执行如下命令，开始训练PP-LiteSeg和OCRNet两个模型。 其中，输入参数config为配置文件的路径，如果需要训练其他模型，可以修改为其他配置文件。PaddleSeg完整的训练文档，请参考链接。

训练过程比较久，可以通过log输出查看需要的时间。训练结束后，模型权重保存在output对应的目录下。

注意：默认提供的配置文件是使用4卡进行训练，如果使用单卡训练，需要将学习率减小为1/4、iters增大4倍。

# train pp_liteseg%cd ~/work/PaddleSeg/!python train.py \       --config configs/road_seg/pp_liteseg_stdc1_deepglobe_1024x1024_80k.yml \       --do_eval \       --num_workers 3 \       --save_interval 1000 \       --save_dir output/pp_liteseg_stdc1_deepglobe

# train ocrnet%cd ~/work/PaddleSeg/!python train.py \       --config configs/road_seg/ocrnet_hrnetw18_deepglobe_1024x1024_80k.yml \       --do_eval \       --num_workers 3 \       --save_interval 1000 \       --save_dir output/ocrnet_hrnetw18_deepglobe

完成PP-LiteSeg和OCRNet模型的训练后，精度和速度如下表。

可以看到，PP-LiteSeg和OCRNet模型的精度基本相同，但是PP-LiteSeg的推理速度比OCRNet快了7倍。

5 模型预测

预测

加载训练好的模型权重，或者使用提供的模型权重，可以对测试集进行测试。

执行如下命令，下载已经训练好的模型权重，对deepglobe的测试集进行预测。

%cd ~/work/PaddleSeg!mkdir pretrained%cd pretrained!wget https://paddleseg.bj.bcebos.com/dygraph/demo/pp_liteseg_stdc1_deepglobe.pdparams!wget https://paddleseg.bj.bcebos.com/dygraph/demo/ocrnet_hrnetw18_deepglobe.pdparams%cd ~/work/PaddleSeg!python  predict.py \    --config configs/road_seg/pp_liteseg_stdc1_deepglobe_1024x1024_80k.yml \    --model_path pretrained/pp_liteseg_stdc1_deepglobe.pdparams \    --image_path data/deepglobe/test.txt \    --save_dir output/pp_liteseg_stdc1_deepglobe_1024x1024_80k/pred_test

结果可视化

预测执行结束后，在output/pp_liteseg_stdc1_deepglobe_1024x1024_80k/pred_test目录下，可以查看预测结果。

6 模型部署

导出预测模型进行部署，可以加载模型的推理速度。

PaddleSeg提供了详细教程，指导进行模型导出和模型部署，具体请参考链接。

请点击此处查看本环境基本用法. 
Please click here for more detailed instructions.