德国沥青路面破损数据集(间隙)的U-网分割
我试着训练一个U型网络模型来分割德国沥青路面破损数据集。
掩码图像存储为灰度值图像。灰色值的编码：
0=空，1=完整道路，2=应用修补，3=坑洞，4=镶嵌修补，5=开放连接，6=裂纹7=街道库存
我找到了以下colab笔记本，它正在牛津宠物数据集上实现U-Net分段：https://colab.research.google.com/github/keras-team/keras-io/blob/master/examples/vision/ipynb/oxford_pets_image_segmentation.ipynb
我修改了笔记本，以适应我的空白分割问题，这是一个链接到我的修改笔记本：https://colab.research.google.com/drive/1YfM4lC78QNdfbkgz-1LGSKaBG4-65dkC?usp=sharing
训练是跑的，但损失在减少，但准确性从来没有提高到0.05以上。我已经被这个问题困扰了好几天了，我需要关于如何让模型正确训练的帮助。
下面是数据集图像和掩码的链接：https://drive.google.com/drive/folders/1-JvLSa9b1falqEake2KVaYYtyVh-dgKY?usp=sharing
回答 1
Stack Overflow用户
发布于 2022-06-02 08:02:51
在Sequence类中，您不对批处理的内容进行洗牌，只有批处理顺序使用fit方法进行洗牌。在每个时代，你必须对所有数据的顺序进行洗牌。下面是在序列子类中这样做的一种方法：
class OxfordPets(keras.utils.Sequence):
"""Helper to iterate over the data (as Numpy arrays)."""
def __init__(self, batch_size, img_size, input_img_paths, target_img_paths):
self.batch_size = batch_size
self.img_size = img_size
self.input_img_paths = input_img_paths
self.target_img_paths = target_img_paths
self.set_len = len(self.target_img_paths) // self.batch_size
self.indices = random.sample(range(self.set_len), k=self.set_len)
def __len__(self):
return self.set_len
def __getitem__(self, idx):
"""Returns tuple (input, target) correspond to batch #idx."""
i = idx * self.batch_size
indices = self.indices[i : i + self.batch_size]
batch_input_img_paths = [self.input_img_paths[k] for k in indices]
batch_target_img_paths = [self.target_img_paths[k] for k in indices]
x = np.zeros((self.batch_size,) + self.img_size + (3,), dtype="float32")
for j, path in enumerate(batch_input_img_paths):
img = load_img(path, target_size=self.img_size)
x[j] = img
y = np.zeros((self.batch_size,) + self.img_size + (1,), dtype="uint8")
for j, path in enumerate(batch_target_img_paths):
img = load_img(path, target_size=self.img_size, color_mode="grayscale")
y[j] = np.expand_dims(img, 2)
# Ground truth labels are 1, 2, 3. Subtract one to make them 0, 1, 2:
#y[j] -= 1 # I commented this line out because the ground truth labels of GAPs dataset are 0, 1, 2, 3, 4, 5, 6, 7
return x, y
def on_epoch_end(self):
self.indices = random.sample(range(self.set_len), k=self.set_len)self.indices是所有索引range(self.set_len)的随机洗牌，它构建在构造函数中，并在每个时代的末尾构建。这允许对所有数据的顺序进行洗牌。
然后，通过使用rmsprop优化器，它可以工作：
Epoch 1/15
88/88 [==============================] - 96s 1s/step - loss: 1.9617 - categorical_accuracy: 0.9156 - val_loss: 5.8705 - val_categorical_accuracy: 0.9375
Epoch 2/15
88/88 [==============================] - 93s 1s/step - loss: 0.4754 - categorical_accuracy: 0.9369 - val_loss: 1.9207 - val_categorical_accuracy: 0.9375
Epoch 3/15
88/88 [==============================] - 94s 1s/step - loss: 0.4497 - categorical_accuracy: 0.9447 - val_loss: 9.3833 - val_categorical_accuracy: 0.9375
Epoch 4/15
88/88 [==============================] - 94s 1s/step - loss: 0.3173 - categorical_accuracy: 0.9423 - val_loss: 14.2518 - val_categorical_accuracy: 0.9369
Epoch 5/15
88/88 [==============================] - 94s 1s/step - loss: 0.0645 - categorical_accuracy: 0.9400 - val_loss: 110.9821 - val_categorical_accuracy: 0.8963请注意，很快就会出现一些过火的情况。
https://stackoverflow.com/questions/72468519
复制
腾讯云开发者
