【天池赛事】零基础⼊门语义分割-地表建筑物识别
【天池赛事】零基础⼊门语义分割-地表建筑物识别：第⼀章赛题及baseline
1 赛题背景
本次新⼈赛是 Datawhale 与天池联合发起的[零基础⼊门系列赛事——零基础⼊门语义分割之地表建筑物识别]。
赛题以计算机视觉为背景，要求选⼿使⽤给定的航拍图像训练模型并完成地表建筑物识别任务。为更好的引导⼤家⼊门，我们为本赛题定制了学习⽅案和学习任务，具体包括语义分割的模型和具体的应⽤案例。在具体任务中我们将讲解具体⼯具和使⽤和完成任务的过程。
通过对本⽅案的完整学习，可以帮助掌握语义分割基本技能。同时我们也将提供专属的视频直播学习通道。
2 任务安排
Task1：赛题理解与 baseline（3 天）
– 学习主题：理解赛题内容解题流程
– 学习内容：赛题理解、数据读取、⽐赛 baseline 构建
– 学习成果：⽐赛 baseline 提交
Task2：数据扩增⽅法（3 天）htmltextarea怎么选中其中一行
– 学习主题：语义分割任务中数据扩增⽅法
– 学习内容：掌握语义分割任务中数据扩增⽅法的细节和使⽤
– 学习成果：数据扩增⽅法的实践
Task3：⽹络模型结构发展（3 天）
– 学习主题：掌握语义分割模型的发展脉络
– 学习内容： FCN、 Unet、 DeepLab、 SegNet、 PSPNet
– 学习成果：多种⽹络模型的搭建
Task4：评价函数与损失函数（3 天）
– 学习主题：语义分割模型各种评价函数与损失函数
– 学习内容： Dice、 IoU、 BCE、 Focal Loss、 Lovász-Softmax
– 学习成果：评价/损失函数的实践
Task5：模型训练与验证（3 天）
– 学习主题：数据划分⽅法
– 学习内容：三种数据划分⽅法、模型调参过程
– 学习成果：数据划分具体操作
当前时间无法加入匹配队列Task6：分割模型模型集成（3 天）
– 学习主题：语义分割模型集成⽅法
– 学习内容： LookaHead、 SnapShot、 SWA、 TTA
– 学习成果：模型集成思路
3 赛制说明
本次赛事分为两个阶段，分别为正式赛及长期赛。
正式赛赛制选⼿报名成功后，选⼿下载数据，可以本地或天池 PAI 平台完成模型训练，并在测试集上进⾏提交。
在正式赛后，本场⽐赛将长期开放，报名和参赛⽆时间限制。每天每位参赛选⼿可提交 3 次完成初赛打分；排⾏榜每⼩时更新，按照评测指标得分从⾼到低排序；排⾏榜将选择历史最优成绩进⾏展⽰。
游戏编程软件推荐4 赛题数据
数据说明
赛题数据来源（Inria Aerial Image Labeling），并进⾏拆分处理。数据集报名后可见并可下载。赛题数据为航拍图，需要参赛选⼿识别图⽚中的地表建筑具体像素位置。
评价函数
赛题使⽤Dice coefficient来衡量选⼿结果与真实标签的差异性，Dice coefficient可以按像素差异性来⽐较结果的差异性。Dice coefficient的具体计算⽅式如下：
其中X是预测结果，Y为真实标签的结果。当X与Y完全相同时Dice coefficient为1，排⾏榜使⽤所有测试集图⽚的平均Dice coefficient来衡量，分数值越⼤越好。
CV 实践-语义分割｜问题汇总
1. Q：赛题数据如何下载A：下载SS_Data_A_20210201.md ，该⽂件内有数据的下载链接，见下表：
FileName Size
test_a.zip 314.49MB hangzhou.aliyuncs/531872/%E5%9C%B0%E8%A1%A8%E5%BB%BA%E7%AD%9test_a_samplesubmit.csv 46.39KB hangzhou.aliyuncs/531872/%E5%9C%B0%E8%A1%A8%E5%BB%BA%E7%AD%91%E7%89%A9%train.zip    3.68GB hangzhou.aliyuncs/531872/%E5%9C%B0%E8%A1%A8%E5%BB%BA%E7%AD%train_mask.csv.zip 97.52MB hangzhou.aliyuncs/531872/%E5%9C%B0%E8%A1%A8%E5%BB%BA%E7%AD%91%E7%8
2. Q：使⽤预训练模型出现显存溢出问题
∣X ∣+∣Y ∣
2∗∣X ∩Y ∣
A：1. 减⼩模型训练的Batch Size；2. 更换硬件条件【建议：先随机从训练集中抽取⼀些数据跑通Baseline】。
3. Q： Baseline中Transform.Normalize⾥的参数是官⽅建议的标准化参数吗？
4. Q：如何安装GDAL、rasterio、tqdm等库？
A：在jupyter notebook中使⽤!pip install some_package --user或者在terminal中使⽤pip install some_package --user命令。
qq苹果13在线教程注：
1.
2. albumentations有三种安装⽅式，推荐使⽤conda：
createfile失败代码5怎么解决1. pip install albumentations
2.
3.
1. conda install -c conda-forge imgaug
2. conda install albumentations -c albumentations
3. Opencv(cv2)安装命令：python -m pip install opencv-python
5. Q：关于天池的常见问题，如数据挂载、第三⽅库安装、DSW操作等
6. Q：代码运⾏有问题，或者环境配置完后但使⽤不了第三⽅库
A：1. 重启Kernel或者Python服务；2.若涉及到路径，请查看路径是否包含中⽂【虽然Python3对中⽂编码进⾏了处理，但最好还是优先使⽤英⽂:)】；3. 重新创建新的虚拟环境，重新配置第三库【防⽌原始环境的第三⽅库版本不适合】。
7. Q：天池存储空间达到上限【免费空间为5G】，⽆法安装库或者解压数据等操作
8. Q：赛题内容以及Baseline的讲解直播如何观看？
9. Q：代码output = model(image)['out']中的['out']能不能删除
A：不能，Baseline中的FCN模型有两个输出，只取out部分。
10. Q：image, mask = dataset[0]，读取不了图⽚，image返回NoneType类型
A：1. 天池解压可能导致⽂件损坏；2. 查看⽂件路径是否正确。
11. Q：如何切换相应环境的Kernel？
A：分以下两步：
conda install ipykernel #安装插件
python -m ipykernel install --name Name #将环境添加到Jyputer中（Name是此环境显⽰在Jyputer中的名称，可⾃定义）
```
12. Q：数据扩充那⾥有⼀个resize成256*256有什么特殊作⽤吗？
A：在FCN中对数据输⼊的尺⼨没有要求，所以该⼤⼩可以⾃由调整，但是要对分辨率和占⽤空间做个权衡。
13. Q：⼏个提升模型精度的思路
A：1. 使⽤更强的数据增强⽅法；2. 模型调参，如学习率、图像尺⼨等；3. 调整优化算法、损失函数，考虑正则⽅法；4 . 更换更强模型，如UNet、DeepLab等；5. 考虑集成⽅法；6. ……
注：
1. 注意样本的分配，绘制学习曲线，基于模型的学习效果（是否过拟合、⽋拟合）来确定合适的优化策略；
2. 具体请参考本次学习的pdf教程以及Datawhale往期的学习～
14. Q：如何加载本地模型参数？
A：两种⽅法：
1. # 先初始化模型，再读取模型参数（适⽤于⽂件只保存了参数）python入门教程视屏
model = TheModelClass(*args,**kwargs)
model.load_state_dict(torch.load(PATH, map_location=device))#map_location为切换设备
2. # 直接读取模型（适⽤于⽂件既保存了模型结构以及参数）
model = torch.load(PATH, map_location=device)
15. Q：模型预训练参数⽂件下载慢
16. Q：rle编码shape要求必须是512么？若将编码参数shape改为128会导致识别率骤降么？
A：1. shape不是必须为512的，但是编码前和解码后的图像尺⼨要⼀样（本题图像数据的尺⼨为512*512，所以该参数设为512）；2.rle只是编码，不是降维，如果直接改shape，就相当于编码内容错误，所得信息不是图像的正确表达，⾃然识别率会骤降。所以在本题中，先编码成512，之后随便缩放。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。