飞桨常规赛：遥感影像地块分割 - 10月第5名方案

该内容为基于PaddleSeg 2.3版本的图像分割实践流程。先解压PaddleSeg套件并改名，解压数据集；再按9:1比例分割生成训练和验证列表文件，获59986和6666样本；选用Swin Transformer模型，执行训练和预测命令，最后打包result下的伪彩色预测结果。

准备工作

安装PaddleSeg以及更新依赖

这里使用的PaddleSeg的2.3版本

# 解压PaddleSeg套件!unzip -oq /home/aistudio/data/data114849/PaddleSeg-release-2.3.zip

# 为方便后期操作将文件夹改名!mv PaddleSeg-release-2.3 PaddleSeg

# 安装依赖，AIStudio实验环境已有相关依赖#!pip install -r PaddleSeg/requirements.txt

解压数据集

!unzip -oq /home/aistudio/data/data77571/train_and_label.zip -d data/!unzip -oq /home/aistudio/data/data77571/img_test.zip -d data/

生成训练列表文件

这里直接按比例分割，没有用shuffle

import osimg_train_dir = os.listdir('./data/img_train')train_val_ratio = 0.9 #划分训练集和验证集的比例train_img_num = int(len(img_train_dir)*train_val_ratio)val_img_num = len(img_train_dir) - train_img_numtrain_list_origin = img_train_dir[:train_img_num]val_list_origin = img_train_dir[train_img_num:]print(len(train_list_origin),len(val_list_origin)) #输出训练集和验证集数量#生成trainlistwith open('train_list.txt','w') as f:    for i in range(len(train_list_origin)):        train_img_name = 'img_train/' + train_list_origin[i]        train_lab_name = 'lab_train/' + train_list_origin[i].split('.')[0] + '.webp'        f.write(train_img_name + ' ' + train_lab_name + '\n')#生成vallistwith open('val_list.txt','w') as f:    for i in range(len(val_list_origin)):        val_img_name = 'img_train/' + val_list_origin[i]        val_lab_name = 'lab_train/' + val_list_origin[i].split('.')[0] + '.webp'        f.write(val_img_name + ' ' + val_lab_name + '\n')

59986 6666

模型选择和实践

Swin Transformer简介

Swin Transformer是ViT的一大进步，建议参考李沐大神读论文的方法啃原论文

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

模型训练

!python PaddleSeg/train.py \       --config swin.yml \       --do_eval \       --use_vdl \       --save_interval 4000 \       --save_dir output

模型预测

!python PaddleSeg/predict.py \       --config swin0.yml \       --model_path output/best_model/model.pdparams \       --image_path data/img_testA \       --save_dir ./result

前往output\home\aistudio\result\pseudo_color_prediction打包预测结果