點(diǎn)擊上方↑↑↑“OpenCV學(xué)堂”關(guān)注我

來源：公眾號 AI算法與圖像處理?授權(quán)

以后我會在公眾號分享一些關(guān)于算法的應(yīng)用(美顏相關(guān)的)，工作之后，發(fā)現(xiàn)更重要的能力如何理解業(yè)務(wù)并將算法應(yīng)用其中創(chuàng)造價(jià)值，以及如何落地?。

今天要分享的是人像分割相關(guān)的內(nèi)容，如果你喜歡的話，歡迎三連哦

主要內(nèi)容

人像分割簡介UNet的簡介UNet實(shí)現(xiàn)人像分割

人像分割簡介

人像分割的相關(guān)應(yīng)用非常廣，例如基于人像分割可以實(shí)現(xiàn)背景的替換做出各種非?？犰诺男Ч?。我們將訓(xùn)練數(shù)據(jù)擴(kuò)充到人體分割，那么我們就是對人體做美顏特效處理，同時(shí)對背景做其他的特效處理，這樣整張畫面就會變得更加有趣，更加提高顏值了，這里我們對人體前景做美顏調(diào)色處理，對背景做了以下特效：

①景深模糊效果，用來模擬雙攝聚焦效果；②馬賽克效果③縮放模糊效果④運(yùn)動模糊效果⑤油畫效果⑥線條漫畫效果⑦Glow夢幻效果⑧鉛筆畫場景效果⑨擴(kuò)散效果

例子：

例子來源：https://blog.csdn.net/Trent1985/article/details/80578841

https://zhuanlan.zhihu.com/p/48080465 (實(shí)現(xiàn)背景灰化)

而在在實(shí)現(xiàn)這些效果之前，所需要的一步操作都是需要將人像摳出來。今天的主要內(nèi)容是要介紹如何使用UNet實(shí)現(xiàn)人像分割。

UNet的簡介

UNet的結(jié)構(gòu)非常簡單，廣泛應(yīng)用于醫(yī)學(xué)圖像分割，2015年發(fā)表在 MICCAI，谷歌學(xué)術(shù)上目前引用量8894，可以看出來其影響力。

UNet的結(jié)構(gòu)，有兩個(gè)最大的特點(diǎn)，U型結(jié)構(gòu)和skip-connection(如下圖)。

UNet網(wǎng)絡(luò)，類型于一個(gè)U字母：首先進(jìn)行Conv(兩次)+Pooling下采樣；然后Deconv反卷積進(jìn)行上采樣(部分采用resize+線性插值上采樣)，crop之前的低層feature map，進(jìn)行融合；然后再次上采樣。重復(fù)這個(gè)過程，直到獲得輸出388x388x2的feature map，最后經(jīng)過softmax獲得output segment map?？傮w來說與FCN思路非常類似。

U-Net采用了與FCN完全不同的特征融合方式：拼接！

參考資料：https://zhuanlan.zhihu.com/p/57437131

https://www.zhihu.com/question/269914775/answer/586501606

https://www.zhihu.com/people/george-zhang-84/posts

UNet實(shí)現(xiàn)人像分割

該項(xiàng)目是基于 https://github.com/milesial/Pytorch-UNet (2.6k star 車輛分割)修改的，并提供人像分割的數(shù)據(jù)集(1.15G)。

人像分割項(xiàng)目鏈接：https://github.com/leijue222/portrait-matting-unet-flask

官方下載鏈接：http://www.cse.cuhk.edu.hk/leojia/projects/automatting/index.html

或者：

百度網(wǎng)盤：http://pan.baidu.com/s/1dE14537

密碼：ndg8

該項(xiàng)目已經(jīng)提供了預(yù)訓(xùn)練模型，如果你不想重新訓(xùn)練，可以自己clone下來，按照下面的操作一步一步運(yùn)行即可。

環(huán)境配置

• Python 3.6

• PyTorch >= 1.1.0

• Torchvision >= 0.3.0

• Flask 1.1.1

• future 0.18.2

• matplotlib 3.1.3

• numpy 1.16.0

• Pillow 6.2.0

• protobuf 3.11.3

• tensorboard 1.14.0

• tqdm==4.42.1

# clone 項(xiàng)目git clone https://github.com/leijue222/portrait-matting-unet-flask.git# 進(jìn)入到文件夾中cd portrait-matting-unet-flask/#?準(zhǔn)備好一張待分割的人像圖片，運(yùn)行下面的代碼即可生成mask并保存python?predict.py?-i?image.jpg?-o?output.jpg

作者提供的測試demo

如果你想重新訓(xùn)練的話，也很容易，根據(jù)上面提供的數(shù)據(jù)集，將原圖和mask分別

放置在 文件夾 data/imgs和 data/masks 路徑下即可

然后運(yùn)行下面的代碼

python train.py -e 200 -b 1 -l 0.1 -s 0.5 -v 15.0

各個(gè)參數(shù)的含義

-e 表示 epoch 數(shù)

-b 表示?batch size

-l 表示學(xué)習(xí)率

-s 表示 scale

-v 表示 驗(yàn)證集所占的百分比

最后我們在看一下 UNet 網(wǎng)絡(luò)的核心代碼

定義UNet 需要用的主要模塊

class DoubleConv(nn.Module):????"""(convolution?=>?[BN]?=>?ReLU)?*?2""" def __init__(self, in_channels, out_channels): super().__init__() self.double_conv = nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True), nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True)????????) def forward(self, x): return self.double_conv(x)class Down(nn.Module): """Downscaling with maxpool then double conv""" def __init__(self, in_channels, out_channels): super().__init__() self.maxpool_conv = nn.Sequential( nn.MaxPool2d(2), DoubleConv(in_channels, out_channels)????????) def forward(self, x): return self.maxpool_conv(x)class Up(nn.Module):????"""Upscaling?then?double?conv""" def __init__(self, in_channels, out_channels, bilinear=True):????????super().__init__() # if bilinear, use the normal convolutions to reduce the number of channels if bilinear: self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True) else: self.up = nn.ConvTranspose2d(in_channels // 2, in_channels // 2, kernel_size=2, stride=2) self.conv = DoubleConv(in_channels, out_channels) def forward(self, x1, x2): x1 = self.up(x1) # input is CHW diffY = torch.tensor([x2.size()[2] - x1.size()[2]]) diffX = torch.tensor([x2.size()[3] - x1.size()[3]]) x1 = F.pad(x1, [diffX // 2, diffX - diffX // 2, diffY // 2, diffY - diffY // 2]) x = torch.cat([x2, x1], dim=1)????????return?self.conv(x)class OutConv(nn.Module): def __init__(self, in_channels, out_channels): super(OutConv, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=1) def forward(self, x): return self.conv(x)

利用上面定義好的模塊，輕松的實(shí)現(xiàn)UNet網(wǎng)絡(luò)

class UNet(nn.Module): def __init__(self, n_channels, n_classes, bilinear=True): super(UNet, self).__init__() self.n_channels = n_channels self.n_classes = n_classes self.bilinear = bilinear self.inc = DoubleConv(n_channels, 64) self.down1 = Down(64, 128) self.down2 = Down(128, 256) self.down3 = Down(256, 512) self.down4 = Down(512, 512) self.up1 = Up(1024, 256, bilinear) self.up2 = Up(512, 128, bilinear) self.up3 = Up(256, 64, bilinear) self.up4 = Up(128, 64, bilinear) self.outc = OutConv(64, n_classes) def forward(self, x): x1 = self.inc(x) x2 = self.down1(x1) x3 = self.down2(x2) x4 = self.down3(x3) x5 = self.down4(x4) x = self.up1(x5, x4) x = self.up2(x, x3) x = self.up3(x, x2) x = self.up4(x, x1) logits = self.outc(x) return logits

資料匯總

人像分割項(xiàng)目鏈接：https://github.com/leijue222/portrait-matting-unet-flask

數(shù)據(jù)集下載

百度網(wǎng)盤：http://pan.baidu.com/s/1dE14537

密碼：ndg8

官方下載鏈接：http://www.cse.cuhk.edu.hk/leojia/projects/automatting/index.html

UNet相關(guān)知識點(diǎn)參考資料：

https://zhuanlan.zhihu.com/p/57437131

https://www.zhihu.com/question/269914775/answer/586501606

https://www.zhihu.com/people/george-zhang-84/posts

超強(qiáng)干貨來襲 云風(fēng)專訪：近40年碼齡，通宵達(dá)旦的技術(shù)人生

總結(jié)

以上是生活随笔為你收集整理的unet训练自己的数据集_基于UNet网络实现的人像分割 | 附数据集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。