#!/usr/bin/env python # 图像分割模型C2FNet训练脚本,粗分割器模型为FCN_HRNet. # 执行此脚本前,请确认已正确安装PaddleRS库 import paddlers as pdrs from paddlers import transforms as T # 数据集存放目录 DATA_DIR = './data/iSAID' # 训练集`file_list`文件路径 TRAIN_FILE_LIST_PATH = './data/iSAID/train.txt' # 验证集`file_list`文件路径 EVAL_FILE_LIST_PATH = './data/iSAID/val.txt' # 数据集类别信息文件路径 LABEL_LIST_PATH = './data/iSAID/label.txt' # 实验目录,保存输出的模型权重和结果 EXP_DIR = './output/c2fnet/' # 影像波段数量 NUM_BANDS = 3 # 定义训练和验证时使用的数据变换(数据增强、预处理等) # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行 # API说明:https://github.com/PaddlePaddle/PaddleRS/blob/develop/docs/apis/data.md train_transforms = T.Compose([ # 读取影像 T.DecodeImg(), # 将影像缩放到512x512大小 T.Resize(target_size=512), # 以50%的概率实施随机水平翻转 T.RandomHorizontalFlip(prob=0.5), # 将数据归一化到[-1,1] T.Normalize( mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS), T.ArrangeSegmenter('train') ]) eval_transforms = T.Compose([ T.DecodeImg(), # 验证阶段与训练阶段的数据归一化方式必须相同 T.Normalize( mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS), T.ReloadMask(), T.ArrangeSegmenter('eval') ]) # 分别构建训练和验证所用的数据集 train_dataset = pdrs.datasets.SegDataset( data_dir=DATA_DIR, file_list=TRAIN_FILE_LIST_PATH, label_list=LABEL_LIST_PATH, transforms=train_transforms, num_workers=0, shuffle=True) eval_dataset = pdrs.datasets.SegDataset( data_dir=DATA_DIR, file_list=EVAL_FILE_LIST_PATH, label_list=LABEL_LIST_PATH, transforms=eval_transforms, num_workers=0, shuffle=False) model = pdrs.tasks.seg.C2FNet( in_channels=NUM_BANDS, num_classes=len(train_dataset.labels), coarse_model='FCN', coarse_model_backbone='HRNet_W18', coarse_model_path='./coarse_model/fcn_hrnet_baseline_on_iSAID.pdparams') # 执行模型训练 model.train( num_epochs=10, train_dataset=train_dataset, train_batch_size=4, eval_dataset=eval_dataset, save_interval_epochs=1, # 每多少次迭代记录一次日志 log_interval_steps=4, save_dir=EXP_DIR, # 初始学习率大小 learning_rate=0.01, # 是否使用early stopping策略,当精度不再改善时提前终止训练 early_stop=False, # 是否启用VisualDL日志功能 use_vdl=True, # 指定从某个检查点继续训练 resume_checkpoint=None, pretrain_weights='IMAGENET')