2023讯飞AI开发者大赛-基于可见光图像的柑橘花果梢语义分割挑战赛-初赛记录

本文链接：https://blog.youkuaiyun.com/qq_43745026/article/details/131811889

本文讲述了作者从数据集下载、标注导入、预实验中的问题发现，到模型选择（如PSPNet、Transformer）、后处理策略（如投票融合、平滑处理）和参数调整的过程，最终提升了数据集标注质量和模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

初识数据

注册账号后下载数据集
在这里插入图片描述
文件目录如下：

test中image有75张图片，train中image有225张图，对应json中的225个标注文件，是labelme导出的。训练：测试遵循3：1原则。

在这里插入图片描述
图片分辨率为608*608；观察文件名，均以shoot数字_数字命名，可推测原始拍摄为高清大图，第一个数字代表第几张大图，第二个数字代表从该大图中截取的第几张小图

标注导出

json格式的标注需要导出为像素图，导出方法很多，由于已知是labelme格式的文件，所以用该工具转化最方便。步骤如下

1.新建环境

之前其实已经在base安装过labelme库了，但就是找不到那个exe（转化要用），所以直接新建（推荐）一个虚拟环境，重新pip install
在这里插入图片描述

2.批量转化

找到该exe文件，路径大致如图
C:\ProgramData\miniconda3\envs\pyqt\Scripts\labelme_json_to_dataset.exe
在这里插入图片描述
接着运行如下代码，路径记得修改

import os
path = 'D:\Datasets\Orange\\train\json'  # path为labelme标注后的.json文件存放的路径
json_file = os.listdir(path)
for file in json_file:
    os.system("C:\ProgramData\miniconda3\envs\pyqt\Scripts\labelme_json_to_dataset.exe  %s"% (path + '/' + file))

生成一个文件夹，for循环运行完是多个
在这里插入图片描述
其中四个文件

用代码将每个文件夹下的label以及label_viz按相应名字移走，结果如下
在这里插入图片描述
主要是要labels去训练，label_vizs就是看看

预实验

数据集标注质量不好，从436_5到526_3有53个样本标注较粗糙，疑似多人标注
左图右图差别较大
在这里插入图片描述

使用提供的base代码结果为0.67
提供的base代码
在这里插入图片描述

提交过程

预处理

一些基础的数据增强，减少颜色、位置、大小等影响。

模型改进

由于要经常换backbone，有个像工具包的环境会好很多，如paddle，mmseg等都可以。
陆陆续续用deeplabv3，deeplabv3+，fcn，pspnet等跑过，追求速度backbone都用的r50，效果一般，比base好个0.2-0.3，其中最好的是psp，精度70%，故后续选psp作为待改进网络
在这里插入图片描述