该内容为基于PaddleSeg 2.3版本的图像分割实践流程。先解压PaddleSeg套件并改名，解压数据集；再按9:1比例分割生成训练和验证列表文件，获59986和6666样本；选用Swin Transformer模型，执行训练和预测命令，最后打包result下的伪彩色预测结果。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
准备工作
安装PaddleSeg以及更新依赖
这里使用的PaddleSeg的2.3版本
In [ ]
# 解压PaddleSeg套件!unzip -oq /home/aistudio/data/data114849/PaddleSeg-release-2.3.zip
In [ ]
# 为方便后期操作将文件夹改名!mv PaddleSeg-release-2.3 PaddleSeg
In [ ]
# 安装依赖，AIStudio实验环境已有相关依赖#!pip install -r PaddleSeg/requirements.txt
解压数据集
In [2]
!unzip -oq /home/aistudio/data/data77571/train_and_label.zip -d data/ !unzip -oq /home/aistudio/data/data77571/img_test.zip -d data/
生成训练列表文件
这里直接按比例分割，没有用shuffle
In [4]
import os
img_train_dir = os.listdir('./data/img_train')
train_val_ratio = 0.9 #划分训练集和验证集的比例train_img_num = int(len(img_train_dir)*train_val_ratio)
val_img_num = len(img_train_dir) - train_img_num
train_list_origin = img_train_dir[:train_img_num]
val_list_origin = img_train_dir[train_img_num:]print(len(train_list_origin),len(val_list_origin)) #输出训练集和验证集数量#生成trainlistwith open('train_list.txt','w') as f: for i in range(len(train_list_origin)):
train_img_name = 'img_train/' + train_list_origin[i]
train_lab_name = 'lab_train/' + train_list_origin[i].split('.')[0] + '.png'
f.write(train_img_name + ' ' + train_lab_name + '\n')#生成vallistwith open('val_list.txt','w') as f: for i in range(len(val_list_origin)):
val_img_name = 'img_train/' + val_list_origin[i]
val_lab_name = 'lab_train/' + val_list_origin[i].split('.')[0] + '.png'
f.write(val_img_name + ' ' + val_lab_name + '\n')59986 6666
模型选择和实践
Swin Transformer简介
Swin Transformer是ViT的一大进步，建议参考李沐大神读论文的方法啃原论文
模型训练
In [ ]
!python PaddleSeg/train.py \
--config swin.yml \
--do_eval \
--use_vdl \
--save_interval 4000 \
--save_dir output模型预测
In [ ]
!python PaddleSeg/predict.py \
--config swin0.yml \
--model_path output/best_model/model.pdparams \
--image_path data/img_testA \
--save_dir ./result
