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可以是一张图片的路径，也可以是一个包含图片路径的文件列表，也可以是一个目录，这时候将对该图片或文件列表或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
  ...
  

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_pred为True时生效	否	True
flip_vertical	bool	是否使用垂直翻转，aug_pred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。