# 语义分割和数据集

🏷 sec_semantic_segmentation

在 :numref: sec_bbox — :numref: sec_rcnn 中讨论的目标检测问题中，我们一直使用方形边界框来标注和预测图像中的目标。
本节将探讨语义分割（semantic segmentation）问题，它重点关注于如何将图像分割成属于不同语义类别的区域。
与目标检测不同，语义分割可以识别并理解图像中每一个像素的内容：其语义区域的标注和预测是像素级的。
:numref: fig_segmentation 展示了语义分割中图像有关狗、猫和背景的标签。
与目标检测相比，语义分割标注的像素级的边框显然更加精细。

语义分割中图像有关狗、猫和背景的标签
🏷 fig_segmentation

# 图像分割和实例分割

计算机视觉领域还有 2 个与语义分割相似的重要问题，即图像分割（image segmentation）和实例分割（instance segmentation）。
我们在这里将它们同语义分割简单区分一下。

图像分割将图像划分为若干组成区域，这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。以 :numref: fig_segmentation 中的图像作为输入，图像分割可能会将狗分为两个区域：一个覆盖以黑色为主的嘴和眼睛，另一个覆盖以黄色为主的其余部分身体。
实例分割也叫同时检测并分割（simultaneous detection and segmentation），它研究如何识别图像中各个目标实例的像素级区域。与语义分割不同，实例分割不仅需要区分语义，还要区分不同的目标实例。例如，如果图像中有两条狗，则实例分割需要区分像素属于的两条狗中的哪一条。

# Pascal VOC2012 语义分割数据集

[最重要的语义分割数据集之一是 Pascal VOC2012。]
下面我们深入了解一下这个数据集。

	%matplotlib inline
	import os
	import torch
	import torchvision
	from d2l import torch as d2l

数据集的 tar 文件大约为 2GB，所以下载可能需要一段时间。
提取出的数据集位于 ../data/VOCdevkit/VOC2012 。

	#@save
	d2l.DATA_HUB['voc2012'] = (d2l.DATA_URL + 'VOCtrainval_11-May-2012.tar',
	'4e443f8a2eca6b1dac8a6c57641b67dd40621a49')

	voc_dir = d2l.download_extract('voc2012', 'VOCdevkit/VOC2012')

Downloading ../data/VOCtrainval_11-May-2012.tar from http://d2l-data.s3-accelerate.amazonaws.com/VOCtrainval_11-May-2012.tar...

进入路径 ../data/VOCdevkit/VOC2012 之后，我们可以看到数据集的不同组件。
ImageSets/Segmentation 路径包含用于训练和测试样本的文本文件，而 JPEGImages 和 SegmentationClass 路径分别存储着每个示例的输入图像和标签。
此处的标签也采用图像格式，其尺寸和它所标注的输入图像的尺寸相同。
此外，标签中颜色相同的像素属于同一个语义类别。
下面将 read_voc_images 函数定义为 [将所有输入的图像和标签读入内存]。

	#@save
	def read_voc_images(voc_dir, is_train=True):
	"""读取所有VOC图像并标注"""
	txt_fname = os.path.join(voc_dir, 'ImageSets', 'Segmentation',
	'train.txt' if is_train else 'val.txt')
	mode = torchvision.io.image.ImageReadMode.RGB
	with open(txt_fname, 'r') as f:
	images = f.read().split()
	features, labels = [], []
	for i, fname in enumerate(images):
	features.append(torchvision.io.read_image(os.path.join(
	voc_dir, 'JPEGImages', f'{fname}.jpg')))
	labels.append(torchvision.io.read_image(os.path.join(
	voc_dir, 'SegmentationClass' ,f'{fname}.png'), mode))
	return features, labels

	train_features, train_labels = read_voc_images(voc_dir, True)

下面我们 [绘制前 5 个输入图像及其标签]。
在标签图像中，白色和黑色分别表示边框和背景，而其他颜色则对应不同的类别。

	n = 5
	imgs = train_features[0:n] + train_labels[0:n]
	imgs = [img.permute(1,2,0) for img in imgs]
	d2l.show_images(imgs, 2, n);

png

接下来，我们 [列举 RGB 颜色值和类名]。

	#@save
	VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
	[0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
	[64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
	[64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],
	[0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],
	[0, 64, 128]]

	#@save
	VOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat',
	'bottle', 'bus', 'car', 'cat', 'chair', 'cow',
	'diningtable', 'dog', 'horse', 'motorbike', 'person',
	'potted plant', 'sheep', 'sofa', 'train', 'tv/monitor']

通过上面定义的两个常量，我们可以方便地 [查找标签中每个像素的类索引]。
我们定义了 voc_colormap2label 函数来构建从上述 RGB 颜色值到类别索引的映射，而 voc_label_indices 函数将 RGB 值映射到在 Pascal VOC2012 数据集中的类别索引。

	#@save
	def voc_colormap2label():
	"""构建从RGB到VOC类别索引的映射"""
	colormap2label = torch.zeros(256 ** 3, dtype=torch.long)
	for i, colormap in enumerate(VOC_COLORMAP):
	colormap2label[
	(colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
	return colormap2label

	#@save
	def voc_label_indices(colormap, colormap2label):
	"""将VOC标签中的RGB值映射到它们的类别索引"""
	colormap = colormap.permute(1, 2, 0).numpy().astype('int32')
	idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
	+ colormap[:, :, 2])
	return colormap2label[idx]

[例如]，在第一张样本图像中，飞机头部区域的类别索引为 1，而背景索引为 0。

	y = voc_label_indices(train_labels[0], voc_colormap2label())
	y[105:115, 130:140], VOC_CLASSES[1]

(tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
         [0, 0, 0, 0, 0, 0, 0, 1, 1, 1],
         [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
         [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
         [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
         [0, 0, 0, 0, 1, 1, 1, 1, 1, 1],
         [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
         [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
         [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
         [0, 0, 0, 0, 0, 0, 0, 0, 1, 1]]),
 'aeroplane')

# 预处理数据

在之前的实验，例如 :numref: sec_alexnet — :numref: sec_googlenet 中，我们通过再缩放图像使其符合模型的输入形状。
然而在语义分割中，这样做需要将预测的像素类别重新映射回原始尺寸的输入图像。
这样的映射可能不够精确，尤其在不同语义的分割区域。
为了避免这个问题，我们将图像裁剪为固定尺寸，而不是再缩放。
具体来说，我们 [使用图像增广中的随机裁剪，裁剪输入图像和标签的相同区域]。

	#@save
	def voc_rand_crop(feature, label, height, width):
	"""随机裁剪特征和标签图像"""
	rect = torchvision.transforms.RandomCrop.get_params(
	feature, (height, width))
	feature = torchvision.transforms.functional.crop(feature, *rect)
	label = torchvision.transforms.functional.crop(label, *rect)
	return feature, label

	imgs = []
	for _ in range(n):
	imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)

	imgs = [img.permute(1, 2, 0) for img in imgs]
	d2l.show_images(imgs[::2] + imgs[1::2], 2, n);

png

# [自定义语义分割数据集类]

我们通过继承高级 API 提供的 Dataset 类，自定义了一个语义分割数据集类 VOCSegDataset 。
通过实现 __getitem__ 函数，我们可以任意访问数据集中索引为 idx 的输入图像及其每个像素的类别索引。
由于数据集中有些图像的尺寸可能小于随机裁剪所指定的输出尺寸，这些样本可以通过自定义的 filter 函数移除掉。
此外，我们还定义了 normalize_image 函数，从而对输入图像的 RGB 三个通道的值分别做标准化。

	#@save
	class VOCSegDataset(torch.utils.data.Dataset):
	"""一个用于加载VOC数据集的自定义数据集"""

	def __init__(self, is_train, crop_size, voc_dir):
	self.transform = torchvision.transforms.Normalize(
	mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
	self.crop_size = crop_size
	features, labels = read_voc_images(voc_dir, is_train=is_train)
	self.features = [self.normalize_image(feature)
	for feature in self.filter(features)]
	self.labels = self.filter(labels)
	self.colormap2label = voc_colormap2label()
	print('read ' + str(len(self.features)) + ' examples')

	def normalize_image(self, img):
	return self.transform(img.float() / 255)

	def filter(self, imgs):
	return [img for img in imgs if (
	img.shape[1] >= self.crop_size[0] and
	img.shape[2] >= self.crop_size[1])]

	def __getitem__(self, idx):
	feature, label = voc_rand_crop(self.features[idx], self.labels[idx],
	*self.crop_size)
	return (feature, voc_label_indices(label, self.colormap2label))

	def __len__(self):
	return len(self.features)

# [读取数据集]

我们通过自定义的 VOCSegDataset 类来分别创建训练集和测试集的实例。
假设我们指定随机裁剪的输出图像的形状为 $320\times 480$ ，
下面我们可以查看训练集和测试集所保留的样本个数。

	crop_size = (320, 480)
	voc_train = VOCSegDataset(True, crop_size, voc_dir)
	voc_test = VOCSegDataset(False, crop_size, voc_dir)

read 1114 examples
read 1078 examples

设批量大小为 64，我们定义训练集的迭代器。
打印第一个小批量的形状会发现：与图像分类或目标检测不同，这里的标签是一个三维数组。

	batch_size = 64
	train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
	drop_last=True,
	num_workers=d2l.get_dataloader_workers())
	for X, Y in train_iter:
	print(X.shape)
	print(Y.shape)
	break

torch.Size([64, 3, 320, 480])
torch.Size([64, 320, 480])

# [整合所有组件]

最后，我们定义以下 load_data_voc 函数来下载并读取 Pascal VOC2012 语义分割数据集。
它返回训练集和测试集的数据迭代器。

	#@save
	def load_data_voc(batch_size, crop_size):
	"""加载VOC语义分割数据集"""
	voc_dir = d2l.download_extract('voc2012', os.path.join(
	'VOCdevkit', 'VOC2012'))
	num_workers = d2l.get_dataloader_workers()
	train_iter = torch.utils.data.DataLoader(
	VOCSegDataset(True, crop_size, voc_dir), batch_size,
	shuffle=True, drop_last=True, num_workers=num_workers)
	test_iter = torch.utils.data.DataLoader(
	VOCSegDataset(False, crop_size, voc_dir), batch_size,
	drop_last=True, num_workers=num_workers)
	return train_iter, test_iter

# 小结

语义分割通过将图像划分为属于不同语义类别的区域，来识别并理解图像中像素级别的内容。
语义分割的一个重要的数据集叫做 Pascal VOC2012。
由于语义分割的输入图像和标签在像素上一一对应，输入图像会被随机裁剪为固定尺寸而不是缩放。

# 练习

如何在自动驾驶和医疗图像诊断中应用语义分割？还能想到其他领域的应用吗？
回想一下 :numref: sec_image_augmentation 中对数据增强的描述。图像分类中使用的哪种图像增强方法是难以用于语义分割的？

Discussions

chapter_computer-vision