前言

圖像分割可以分為兩類：語(yǔ)義分割（Semantic Segmentation）和實(shí)例分割（Instance Segmentation），前面已經(jīng)給大家介紹過兩者的區(qū)別，并就如何在labview上實(shí)現(xiàn)相關(guān)模型的部署也給大家做了講解，今天和大家分享如何使用labview 實(shí)現(xiàn)deeplabv3+的語(yǔ)義分割，并就 Pascal VOC2012 (DeepLabv3Plus-MobileNet) 上的分割結(jié)果和城市景觀的分割結(jié)果（DeepLabv3Plus-MobileNet）給大家做一個(gè)分享。

一、什么是deeplabv3+

Deeplabv3+是一個(gè)語(yǔ)義分割網(wǎng)絡(luò)，使用DeepLabv3作為Encoder模塊，并添加一個(gè)簡(jiǎn)單且有效的Decoder模塊來獲得更清晰的分割。即網(wǎng)絡(luò)主要分為兩個(gè)部分：Encoder和Decoder；論文中采用的是Xception作為主干網(wǎng)絡(luò)（在代碼中也可以根據(jù)需求替換成MobileNet，本文示例中即使用的MobileNet），然后使用了ASPP結(jié)構(gòu)，解決多尺度問題；為了將底層特征與高層特征融合，提高分割邊界準(zhǔn)確度，引入Decoder部分。

Encoder-Decoder網(wǎng)絡(luò)已經(jīng)成功應(yīng)用于許多計(jì)算機(jī)視覺任務(wù)，通常，Encoder-Decoder網(wǎng)絡(luò)包含：

• 逐步減少特征圖并提取更高語(yǔ)義信息的Encoder模塊
• 逐步恢復(fù)空間信息的Decoder模塊

二、LabVIEW調(diào)用DeepLabv3+實(shí)現(xiàn)圖像語(yǔ)義分割

1、模型獲取及轉(zhuǎn)換

• 下載預(yù)訓(xùn)練好的.pth模型文件，下載鏈接：https://share.weiyun.com/qqx78Pv5 ，我們選擇主干網(wǎng)絡(luò)為Mobilenet的模型

  

• git上下載開源的整個(gè)項(xiàng)目文件，鏈接為：https://github.com/VainF/DeepLabV3Plus-Pytorch

• 根據(jù)requirements.txt 安裝所需要的庫(kù)

pip install -r requirements.txt

• 原項(xiàng)目中使用的模型為.pth，我們將其轉(zhuǎn)onnx模型，
• 將best_deeplabv3plus_mobilenet_voc_os16.pth轉(zhuǎn)化為deeplabv3plus_mobilenet.onnx，具體轉(zhuǎn)化模型代碼如下：

import network
import numpy as np
import torch
from torch.autograd import Variable
from torchvision import models
import os
import re

dirname, filename = os.path.split(os.path.abspath(__file__))
print(dirname)

def get_pytorch_onnx_model(original_model):
    # define the directory for further converted model save
    onnx_model_path = dirname
    # define the name of further converted model
    onnx_model_name = "deeplabv3plus_mobilenet.onnx"

    # create directory for further converted model
    os.makedirs(onnx_model_path, exist_ok=True)

    # get full path to the converted model
    full_model_path = os.path.join(onnx_model_path, onnx_model_name)

    # generate model input
    generated_input = Variable(
        torch.randn(1, 3, 513, 513)
    )

    # model export into ONNX format
    torch.onnx.export(
        original_model,
        generated_input,
        full_model_path,
        verbose=True,
        input_names=["input"],
        output_names=["output"],
        opset_version=11
    )

    return full_model_path

model = network.modeling.__dict__["deeplabv3plus_mobilenet"](num_classes=21, output_stride=8)
checkpoint = torch.load("best_deeplabv3plus_mobilenet_voc_os16.pth", map_location=torch.device('cpu'))
model.load_state_dict(checkpoint["model_state"])
full_model_path = get_pytorch_onnx_model(model)

• 將best_deeplabv3plus_mobilenet_cityscapes_os16.pth轉(zhuǎn)化為deeplabv3plus_mobilenet_cityscapes.onnx，具體轉(zhuǎn)化模型代碼如下：

import network
import numpy as np
import torch
from torch.autograd import Variable
from torchvision import models
import os
import re


dirname, filename = os.path.split(os.path.abspath(__file__))
print(dirname)

def get_pytorch_onnx_model(original_model):
    # define the directory for further converted model save
    onnx_model_path = dirname
    # define the name of further converted model
    onnx_model_name = "deeplabv3plus_mobilenet_cityscapes.onnx"

    # create directory for further converted model
    os.makedirs(onnx_model_path, exist_ok=True)

    # get full path to the converted model
    full_model_path = os.path.join(onnx_model_path, onnx_model_name)

    # generate model input
    generated_input = Variable(
        torch.randn(1, 3, 513, 513)
    )

    # model export into ONNX format
    torch.onnx.export(
        original_model,
        generated_input,
        full_model_path,
        verbose=True,
        input_names=["input"],
        output_names=["output"],
        opset_version=11
    )

    return full_model_path


model = network.modeling.__dict__["deeplabv3plus_mobilenet"](num_classes=19, output_stride=8)
checkpoint = torch.load("best_deeplabv3plus_mobilenet_cityscapes_os16.pth", map_location=torch.device('cpu'))
model.load_state_dict(checkpoint["model_state"])
full_model_path = get_pytorch_onnx_model(model)

注意：我們需要將以上兩個(gè)腳本保存并與network文件夾同路徑

2、LabVIEW 調(diào)用基于 Pascal VOC2012訓(xùn)練的deeplabv3+實(shí)現(xiàn)圖像語(yǔ)義分割 （deeplabv3+_onnx.vi）

經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，opencv dnn因缺少一些算子，所以無法加載deeplabv3+ onnx模型，所以我們選擇使用LabVIEW開放神經(jīng)網(wǎng)絡(luò)交互工具包【ONNX】來加載并推理整個(gè)模型，實(shí)現(xiàn)語(yǔ)義分割，程序源碼如下：

3、LabVIEW Pascal VOC2012上的分割結(jié)果（deeplabv3+_onnx.vi）

4、LabVIEW 調(diào)用基于 Cityscapes 訓(xùn)練的deeplabv3+實(shí)現(xiàn)圖像語(yǔ)義分割 （deeplabv3+_onnx_cityscape.vi）

如下圖所示即為程序源碼，我們對(duì)比deeplabv3+_onnx.vi，發(fā)現(xiàn)其實(shí)只需要把模型和待檢測(cè)的圖片更換，圖片尺寸比例也做一個(gè)修改即可

5、LabVIEW 城市景觀的分割結(jié)果（deeplabv3+_onnx_cityscape.vi）

如您想要探討更多關(guān)于LabVIEW與人工智能技術(shù)，歡迎加入我們的技術(shù)交流群：705637299

三、項(xiàng)目源碼及模型下載

歡迎關(guān)注微信公眾號(hào): VIRobotics ，回復(fù)關(guān)鍵字：deepLabv3+ 語(yǔ)義分割源碼 獲取本次分享內(nèi)容的完整項(xiàng)目源碼及模型。

附加說明

操作系統(tǒng)：Windows10

python：3.6及以上

LabVIEW：2018及以上 64位版本

視覺工具包：techforce_lib_opencv_cpu-1.0.0.73.vip

LabVIEW開放神經(jīng)網(wǎng)絡(luò)交互工具包【ONNX】：virobotics_lib_onnx_cpu-1.0.0.13.vip

總結(jié)

以上就是今天要給大家分享的內(nèi)容。如果有問題可以在評(píng)論區(qū)里討論。

審核編輯 黃宇