BiseNetV2网络复现

原创 已于 2022-05-09 10:46:44 修改 · 3.3k 阅读 · 19 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #pytorch #机器学习

于 2022-05-05 15:44:56 首次发布
该博客介绍了如何利用BiSeNetv2模型对Cityscapes数据集进行测试和训练，并详细说明了如何调整代码以适应自己的数据集。此外，还提供了测试视频的步骤，包括对输入视频的处理和结果保存。

1.代码地址

https://github.com/CoinCheung/BiSeNet

2.参考文章

https://arxiv.org/pdf/2004.02147v1.pdf

【工程测试与训练】使用BiSeNetv2测试、训练cityscapes数据集、训练自己的数据集_magic_ll的博客-优快云博客_bisenet训练自己的数据集

3.步骤

使用 【bisenetv2_city】测试图片：

将example图片放到tools文件夹中（否则会出现错误TypeError: 'NoneType' object is not subscriptable）

运行bisenetv2_city.py
打开tools/demo.py ，做如下修改：

parse.add_argument('--config', dest='config', type=str, default='../configs/bisenetv2_city.py',)
parse.add_argument('--weight-path', type=str, default='../MODEL/m
最低0.47元/天 解锁文章
语义分割系列16-BiSeNetV1（pytorch实现）
yumaomi的博客
06-22 3631
本文介绍了实时语义分割模型BiSeNetV1的论文细节和模型设计理念，在pytorch框架上复现了模型，在Camvid数据集上进行测试。
项目实训第七周
m0_53446118的博客
06-01 437
BiseNet
基于pytorch实现的BiSeNet V2: Bilateral Network with Guided 可直接执行算法
03-03
1、 训练数据准备 所有数据均放置于Sample\Build\下，其中Build为数据类型，根据自己需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照: Sample\Build\train\ IMG_T1 -----------------------\ IMG_LABEL -----------------\val\ IMG_T1 -----------------------\IMG_LABEL 2、 训练参数设置 参数和运行皆在dp0_train.py中，主要参数包括： （1） num_epochs，训练批次 （2） learning_rate，学习率 （3） dataset，步骤一自己构建的数据集名称 （4） band，输入数据通道数（波段数） （5） n_class, 模型输出通道数（类别） 3、 训练模型位置 模型结构放与net文件中，生成模型文件pt位于Checkpointspath\ 4、 预测使用 填写参数 Checkpointspath，模型位置名称 Dataset，待预测数据文件夹 Outputpath，输出数据文件夹
算法部署-使用TensorRT+Cpp部署BiSeNetV1+BiSeNetV2算法-优质算法部署项目实战.zip
10-20
算法部署_使用TensorRT+Cpp部署BiSeNetV1+BiSeNetV2算法_优质算法部署项目实战
Ubuntu20.04使用Bisenet v2训练自己的数据
最新发布
Ward_Tan的博客
09-25 887
步骤2：通过labelme2dataset-main/labelme2BiSeNet工具进行图片处理，借鉴https://github.com/caozhiwei1994/labelme2dataset链接中的方法，将链接文件下载并解压到任意目录中，打开后有三个文件，进入到labelme2BisSeNet文件夹中，并且将步骤1得到的原图JSON文件放入一个文件夹中，如before，然后执行json_to_dataset.py文件代码，注意修改自己的路径；*****数据预处理完成*****
BiSeNet:添加bisenetv2。 我的 BiSeNet 实现
08-05
BiSeNetV1 和 BiSeNetV2 我对和。 cityscapes val 集上的 mIOUs 和 fps： 没有任何 SS 共享单车 无国界医生 mscf fps(fp16/fp32) 关联 bisenetv1 75.44 76.94 77.45 78.86 68/23 bisenetv2 74.95 75.58 76.53 77.08 59/21 cocostuff val2017 集上的 mIOU： 没有任何 SS 共享单车 无国界医生 mscf 关联 bisenetv1 31.49 31.42 32.46 32.55 bisenetv2 30.49 30.55 31.81 31.73 提示： ss表示单尺度评价， ssc表示单尺度作物评价， msf表示带翻转增强的多尺度评价， mscf表示带翻转评价的多尺度作物评价。
【文章阅读】【代码复现】BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation 【code】
小欧欧的博客
12-07 3276
                        文章归类：图像分割，网络结构创新，实时 主体思想： 1、希望利用网络结构的改造，来弥补“感受野”受限的不足，因此BiSeNet的网络结构拥有两条主线“Spatial Path (SP)” 和 “Context Path (CP)”  2、设计了特征整合的新模块“Feature Fusion Module (FFM)” 以及 用于attenti...
bisenetv2-tensorflow:实时场景图像分割模型“ BiSeNet V2”的非官方张量流实现
03-19
BiseNetv2-Tensorflow 使用张量流实现基于论文“ BiSeNet V2：带有引导聚合的实时语义分割的双边网络”的实时场景图像分割模型。有关详细信息，您可以参考 。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。要使用此仓库，您需要安装tensorflow-gpu 1.12.0，并且尚未测试其他版本的tensorflow，但我认为如果在本地计算机上安装了新版本，它将能够正常工作。其他所需的软件包可以通过以下方式安装 pip3 install -r requirements.txt CityScapes数据集准备 回购模型主要在城市景观数据集上训练。首先，您需要准备好城市景观数据集。可以在./data/e
BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation原理解析及代码复现
一个AI从业者的博客
02-28 1268
BiSeNetv2是面向实时语义分割任务的高效网络架构，其核心设计理念是通过双分支结构实现细节特征与语义特征的协同优化。本博客是对论文《 BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation 》原理解析及代码复现。
基于paddlepaddle复现Regseg： 重新思考空洞卷积，超越Deeplab，BiseNetv2让分割实现实时+高精度
m0_46480068的博客
03-23 4854
本文复现CVPR2021 重新思考空洞卷积，超越Deeplab，BiseNetv2让分割实现实时+高精度 详细实现细节以及相关数据集请移步aistudio RegSeg:重新思考空洞卷积| 超越DeepLab、BiSeNetv2 - 飞桨AI Studio - 人工智能学习与实训社区 哔哩哔哩论文讲解视频地址： 小熊带你读论文：RegSeg重新思考空洞卷积CVPR2021论文讲解_哔哩哔哩_bilibili 一、第十七届全国大学生智能汽车竞赛：完全模型组线上资格赛! 比赛地址：https:/
BiSeNet.zip
05-31
BiSeNet训练自己的数据集，已修改好代码，采用自己的数据集即可训练和测试
Python-PyTorch实现修改后的BiSeNet进行人脸解析
08-11
Using modified BiSeNet for face parsing in PyTorch
实时语义分割网络 BiSeNet（附代码解读）
热门推荐
seek0226的博客
04-16 1万+
实时语义分割网络 BiSeNetBiSeNetContributionsBackGroundBiSeNet 结构Loss functionExperimental Results采用数据集一些实验结果 BiSeNet Contributions 提出了一种包含空间路径(SP)和上下文路径(CP)的双边分割网络(BiSeNet), 将空间信息保存和接受域提供的功能解耦成两条路径。 提出了特征融合模块(FFM)和注意细化模块(ARM)，以在可接受的成本下进一步提高精度。 在cityscape、CamVid和C
TensorFlow实现的BiSeNet V2模型：实时图像语义分割
资源摘要信息:"bisenetv2-tensorflow是一个非官方的实现，基于TensorFlow框架复现了BiSeNet V2模型，即论文“BiSeNet V2: Bilateral Segmentation Network with Guided Aggregation for Real-Time Semantic ...
BiSeNet
Major_S的博客
08-23 1112
1.视频教程： B站、网易云课堂、腾讯课堂 2.代码地址： Gitee Github 3.存储地址： Google云 百度云： 提取码： 1.一 论文导读 2.二 论文精读 3.三 代码实现 4.四 问题思索 《BiSeNet:Bilateral Segmentation Network for Real-time Semantic Segmentation》 —待写 作者：Changqian Yu,etc 单位：旷视科技 发表会议及时间：ECCV 2018 Submission history
BiSeNetv2(pytorch)测试、训练cityscapes
zfjBIT的专栏
07-16 1852
bisenetv2 测试、训练
2020 BiSeNetV2
wujing1_1的博客
06-07 1495
BiseNet又称，一般架构是，一边是一个较为粗糙的特征提取网络作为一边，而另一边可以由经典的特征提取网络(EfficientNet,resNet,xception)组成,而我们今天的主角BiseNetv2，也类似该架构，在上面（也就是DetailBranch）是一个较为简单的特征提取网络，我们先从他开始构造，他在作者提供的架构图中是这样的(k是卷积核大小，c是输出单元数，s是步长，r是该层重复次数)与几种最新的实时语义分割方法相比，BiSeNet V2具有良好的性能。具体来说，对于2048x1,024的输
轻量级语义分割网络 BiseNetv2学习：手把手教你搭建BiseNetv2(tensorflow2)，并在Cityscapes上完成语义分割任务
theworld666的博客
02-20 8932
轻量级语义分割网络 BiseNetv2学习：手把手教你搭建BiseNetv2(tensorflow2)，并在Cityscapes上完成语义分割任务 文章目录轻量级语义分割网络 BiseNetv2学习：手把手教你搭建BiseNetv2(tensorflow2)，并在Cityscapes上完成语义分割任务前言1.网络搭建1.1DetailBranch的构建1.2 SemanticBranch的构建1.2.1 StemBlock的创建1.2.2 Gather-and-Expansion Layer的创建1.2.3
论文解读：BiseNetv2
pangxing6491的博客
02-18 879
https://blog.youkuaiyun.com/Costwen/article/details/108189586
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值