首页IT科技labview如何获取图片像素(手把手教你使用LabVIEW实现Mask R-CNN图像实例分割)

labview如何获取图片像素(手把手教你使用LabVIEW实现Mask R-CNN图像实例分割)

时间2025-06-18 04:22:03分类IT科技浏览5215
导读:前言...

前言

前面给大家介绍了使用LabVIEW工具包实现图像分类               ,目标检测                      ,今天我们来看一下如何使用LabVIEW实现Mask R-CNN图像实例分割               。

一               、什么是图像实例分割?

图像实例分割(Instance Segmentation)是在语义检测(Semantic Segmentation)的基础上进一步细化       ,分离对象的前景与背景        ,实现像素级别的对象分离                      。并且图像的语义分割与图像的实例分割是两个不同的概念                      ,语义分割仅仅会区别分割出不同类别的物体              ,而实例分割则会进一步的分割出同一个类中的不同实例的物体       。

计算机视觉中常见的一些任务(分类        ,检测                       ,语义分割              ,实例分割)

二                      、什么是Mask R-CNN

Mask R-CNN是一个实例分割(Instance segmentation)算法,可以用来做“目标检测               ”       、“目标实例分割                      ”               、“目标关键点检测       ”               。 Mask R-CNN算法步骤:

首先                       ,输入一幅你想处理的图片                      ,然后进行对应的预处理操作,或者预处理后的图片;

将其输入到一个预训练好的神经网络中(ResNeXt等)获得对应的feature map;

对这个feature map中的每一点设定预定的ROI               ,从而获得多个候选ROI;

将这些候选的ROI送入RPN网络进行二值分类(前景或背景)和BB回归                      ,过滤掉一部分候选的ROI

接着       ,对这些剩下的ROI进行ROIAlign操作(即先将原图和feature map的pixel对应起来               ,然后

feature map和固定的feature对应起来);

最后                      ,对这些ROI进行分类(N类别分类)                      、BB回归和MASK生成(在每一个ROI里面进行FCN操作)

三       、LabVIEW调用Mask R-CNN图像实例分割模型

1        、Mask R-CNN模型获取及转换

安装pytorch和torchvision

获取torchvision中的模型(我们获取预训练好的模型):

转onnx

1 def get_pytorch_onnx_model(original_model): 2 model=original_model 3 # define the directory for further converted model save 4 onnx_model_path = dirname 5 6 # define the name of further converted model 7 onnx_model_name = "maskrcnn_resnet50.onnx" 89 # create directory for further converted model 10 os.makedirs(onnx_model_path, exist_ok=True) 1112 # get full path to the converted model 13 full_model_path = os.path.join(onnx_model_path, onnx_model_name) 14 model.eval() 1516 x = torch.rand(1, 3, 640, 640) 17 # model export into ONNX format 18 torch.onnx.export( 19 original_model, 20 x, 21 full_model_path, 22 input_names=["input"], 23 output_names=["boxes", "labels", "scores", "masks"], 24 dynamic_axes={"input": [0, 1, 2, 3],"boxes": [0, 1],"labels": [0],"scores": [0],"masks": [0, 1, 2, 3]}, 25 verbose=True,opset_version=11 26 ) 2728 return full_model_path

完整获取及模型转换python代码如下:

1 import os 2 import torch 3 import torch.onnx 4 from torch.autograd import Variable 5 from torchvision import models 67 dirname, filename = os.path.split(os.path.abspath(__file__)) 8 print(dirname) 910 def get_pytorch_onnx_model(original_model): 11 model=original_model 12 # define the directory for further converted model save 13 onnx_model_path = dirname 14 15 # define the name of further converted model 16 onnx_model_name = "maskrcnn_resnet50.onnx" 1718 # create directory for further converted model 19 os.makedirs(onnx_model_path, exist_ok=True) 2021 # get full path to the converted model 22 full_model_path = os.path.join(onnx_model_path, onnx_model_name) 23 model.eval() 2425 x = torch.rand(1, 3, 640, 640) 26 # model export into ONNX format 27 torch.onnx.export( 28 original_model, 29 x, 30 full_model_path, 31 input_names=["input"], 32 output_names=["boxes", "labels", "scores", "masks"], 33 dynamic_axes={"input": [0, 1, 2, 3],"boxes": [0, 1],"labels": [0],"scores": [0],"masks": [0, 1, 2, 3]}, 34 verbose=True,opset_version=11 35 ) 3637 return full_model_path 383940 model = models.detection.maskrcnn_resnet50_fpn(pretrained=True) 41 print(get_pytorch_onnx_model(model))

2                      、LabVIEW调用 Mask R-CNN (mask rcnn.vi)

注意:Mask R-CNN模型是没办法使用OpenCV dnn去加载的       ,因为有些算子不支持        ,所以我们主要使用LabVIEW开放神经网络交互工具包(ONNX)来加载推理模型                      。

onnxruntime调用onnx模型并选择加速方式

图像预处理

执行推理 我们使用的模型是:maskrcnn_resnet50_fpn                      ,其输出有四层              ,分别为boxes,labels,scores,masks,数据类型如下:

可以看到        ,labels的类型为INT64,所以我们的源码中需要“Get_Rresult_int64.vi,index为1                       ,因为labels为第二层              ,即下标为1;

另外三个输出我们都可以使用float32来获取了,masks虽然数据类型是uint8,但在实操过程中发现                       ,它其实做过归一化处理了                      ,也可以使用float32.

后处理并实现实例分割 因为后处理内容较多,所以直接封装为了一个子VI               , mask_rcnn_post_process.vi                      ,源码如下:

整体的程序框架如下:

实例分割结果如下       ,我们会发现这个模型跑起来               ,他花的时间比之前就更长了       。因为他不但要获取每一个对象的区域                      ,还要也要把这个区域的轮廓给框出来       ,我们可以看到五个人及篮球都框出来了        ,使用不同的颜色分割出来了        。

3               、LabVIEW调用 Mask R-CNN 实现实时图像分割(mask rcnn_camera.vi)

整体思想和上面检测图片的实力分割差不多                      ,不过使用了摄像头              ,并加了一个循环        ,对每一帧对象进行实力分割                       ,3080系列显卡可选择TensorRT加速推理              ,分割会更加流畅                      。我们发现这个模型其实很考验检测数量的,所以如果你只是对人进行分割                       ,那可以选择一个干净一些的背景                      ,整体检测速度就会快很多               。

四        、Mask-RCNN训练自己的数据集(检测行人)

1.准备工作

训练需要jupyterlab环境,没有安装的同学需要通过pip install jupyterlab 安装

如果无法解决jupyterlab环境 可以使用colab或者kaggle提供的免费gpu环境进行训练

训练源码:mask-rcnn.ipynb

2.开始训练

根据提示运行这段代码               ,自动或手动下载依赖文件数据集并建立数据集解析类

定义单轮训练的函数:网络结构直接采用torchvison里现有的                      ,不再重新定义

出现如下输出表示训练进行中

修改这个文件名       ,改成自己的图片名字               ,运行看下训练效果

3                      、训练效果

4               、导出ONNX

总结

以上就是今天要给大家分享的内容        。大家可关注微信公众号:VIRobotics                      ,回复关键字:Mask R-CNN图像实例分割源码 获取本次分享内容的完整项目源码及模型                      。

如果有问题可以在评论区里讨论       ,提问前请先点赞支持一下博主哦        ,如您想要探讨更多关于LabVIEW与人工智能技术                      ,欢迎加入我们的技术交流群:705637299              ,进群请备注暗号:LabVIEW 机器学习               。

如果文章对你有帮助        ,欢迎关注、点赞                      、收藏

声明:本站所有文章                       ,如无特殊说明或标注              ,均为本站原创发布。任何个人或组织,在未征得本站同意时                       ,禁止复制                      、盗用、采集               、发布本站内容到任何网站                      、书籍等各类媒体平台                      。如若本站内容侵犯了原著者的合法权益                      ,可联系我们进行处理                      。

创心域SEO版权声明:以上内容作者已申请原创保护,未经允许不得转载,侵权必究!授权事宜、对本内容有异议或投诉,敬请联系网站管理员,我们将尽快回复您,谢谢合作!

展开全文READ MORE
十大程序员接私活平台(有哪些做**的网站-程序员接私活平台大全) 文章优化技巧有(内容的优化应该怎么进行)