predict_cn.md

简体中文|English

预测

除了分析模型的IOU、ACC和Kappa指标之外，我们还可以查阅一些具体样本的切割样本效果，从Bad Case启发进一步优化的思路。

predict.py脚本是专门用来可视化预测案例的，命令格式如下所示：

python predict.py \
       --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \
       --model_path output/iter_1000/model.pdparams \
       --image_path dataset/optic_disc_seg/JPEGImages/H0003.jpg \
       --save_dir output/result

其中image_path也可以是一个目录，这时候将对目录内的所有图片进行预测并保存可视化结果图。

同样的，可以通过--aug_pred开启多尺度翻转预测， --is_slide开启滑窗预测。

1.准备预测数据

• 在执行预测时，仅需要原始图像。你应该准备好 test.txt 的内容，如下所示：

  images/image1.jpg
  images/image2.jpg
  ...
  

• 在调用predict.py进行可视化展示时，文件列表中可以包含标注图像。在预测时，模型将自动忽略文件列表中给出的标注图像。因此，你也可以直接使用训练、验证数据集进行预测。也就是说，如果你的train.txt的内容如下：

  images/image1.jpg labels/label1.png
  images/image2.jpg labels/label2.png
  ...
  

• 此时你可以在预测时将image_list指定为train.txt，将image_dir指定为训练数据所在的目录。PaddleSeg的鲁棒性允许你这样做，输出的结果将是对原始训练数据的预测结果。

2.预测函数API

预测API的参数解析

paddleseg.core.predict(
                    model,
                    model_path,
                    transforms,
                    image_list,
                    image_dir=None,
                    save_dir='output',
                    aug_pred=False,
                    scales=1.0,
                    flip_horizontal=True,
                    flip_vertical=False,
                    is_slide=False,
                    stride=None,
                    crop_size=None,
                    custom_color=None
)

• 参数说明如下

参数名	数据类型	用途	是否必选项	默认值
model	nn.Layer	分割模型	是	-
model_path	str	训练最优模型的路径	是	-
transforms	transform.Compose	对输入图像进行预处理	是	-
image_list	list	待预测的图像路径列表	是	-
image_dir	str	待要预测的图像路径目录	否	None
save_dir	str	结果输出路径	否	'output'
aug_pred	bool	是否使用多尺度和翻转增广进行预测	否	False
scales	list/float	设置缩放因子，aug_pred为True时生效	否	1.0
flip_horizontal	bool	是否使用水平翻转，aug_eval为True时生效	否	True
flip_vertical	bool	是否使用垂直翻转，aug_eval为True时生效	否	False
is_slide	bool	是否通过滑动窗口进行评估	否	False
stride	tuple/list	设置滑动窗宽的宽度和高度，is_slide为True时生效	否	None
crop_size	tuple/list	设置滑动窗口的裁剪的宽度和高度，is_slide为True时生效	否	None
custom_color	list	设置自定义分割预测颜色，len(custom_color) = 3 * 像素种类	否	预设color map

导入API接口，开始预测

from paddleseg.core import predict
predict(
        model,
        model_path='output/best_model/model.pdparams',# 模型路径
        transforms=transforms, #transform.Compose， 对输入图像进行预处理
        image_list=image_list, #list,待预测的图像路径列表。
        image_dir=image_dir, #str，待预测的图片所在目录
        save_dir='output/results' #str，结果输出路径
    )

3.输出文件说明

如果你不指定输出位置，在默认文件夹output/results下将生成两个文件夹added_prediction与pseudo_color_prediction, 分别存放叠加效果图与预测mask的结果。

output/result
    |
    |--added_prediction
    |  |--image1.jpg
    |  |--image2.jpg
    |  |--...
    |
    |--pseudo_color_prediction
    |  |--image1.jpg
    |  |--image2.jpg
    |  |--...

4.自定义color map

经过预测后，我们得到的是默认color map配色的预测分割结果。以视盘分割为例：

​ 伪彩色标注图/叠加图

在该分割结果中，前景以红色标明，背景以黑色标明。如果你想要使用其他颜色，可以参考如下命令：

python predict.py \
       --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \
       --model_path output/iter_1000/model.pdparams \
       --image_path data/optic_disc_seg/JPEGImages/H0003.jpg \
       --save_dir output/result \
       --custom_color 0 0 0 255 255 255

分割预测结果如下：

​ 伪彩色标注图/叠加图

• 参数解析
• 可以看到我们在最后添加了 --custom_color 0 0 0 255 255 255，这是什么意思呢？在RGB图像中，每个像素最终呈现出来的颜色是由RGB三个通道的分量共同决定的，因此该命令行参数后每三位代表一种像素的颜色，位置与label.txt中各类像素点一一对应。
• 如果使用自定义color map，输入的color值的个数应该等于3 * 像素种类（取决于你所使用的数据集）。比如，你的数据集有 3 种像素，则可考虑执行:

python predict.py \
       --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \
       --model_path output/iter_1000/model.pdparams \
       --image_path data/optic_disc_seg/JPEGImages/H0003.jpg \
       --save_dir output/result \
       --custom_color 0 0 0 100 100 100 200 200 200

我们建议你参照RGB颜色数值对照表来设置--custom_color。